toolkits

DL Toolkits

‍ Аналитические инструменты для экспериментов по глубокому обучению? ‍

Всякий раз, когда я анализировал результаты эксперимента DL, мне приходилось каждый раз повторно внедрить функцию анализа. Итак, я реализую часто используемые функции в этом репозитории. Новые функции по -прежнему реализуются, и простые примеры использования функций можно найти в каталоге examples .

Установка

Вы можете установить пакет с командой pip . Python> = 3 поддерживаются.

 pip install dl-toolkits

Вы можете проверить версию пакета, используя следующие команды.

 import toolkits
print ( toolkits . __version__ )

Модули

Визуализация

• viz.tsne :

Качество кластеризации

• cluster.sse : сумма квадратной ошибки (SSE) ¹
• cluster.batch_sse : сумма квадратной ошибки (SSE) для пакетного ввода
• cluster.nsse : SSE нормализован на расстоянии квадрата до ближайшего мешающего центроида (NSSE) ¹
• cluster.batch_nsse : SSE, нормализованный на расстоянии квадрата до ближайшего мешающего ценника (NSSE) для пакетного ввода
• cluster.nearc : верхний ближайший к ближайшему вмешательству центроид
• cluster.rfc : качество кластеризации пространства функций (R_FC) ²

Линейная алгебра

• linalg.get_singular_values : получить единственные значения на класс
• linalg.get_sum_of_singular_values : получить сумму единственных значений на класс
• linalg.get_average_sum_of_singular_values : получить среднее значение суммы сингулярных значений в классе ³

Довольно печатный

• pprint.pred_summary : простой печать для предсказаний и истинных ярлыков

Журнал журнала

• parse.between_lines : извлечь журнал между двумя входными предложениями
• parse.between_lines_on_file : извлечь журнал между двумя входными предложениями в целевом файле
• parse.between_lines_on_dir : извлечь журнал между двумя входными предложениями в целевом каталоге

Функция Helper Pytorch

• torch_helper.freeze_selected_param : заморозить веса с выбранным именем
• torch_helper.get_important_param_idx : Получить важные показатели параметров ⁴

Ссылки

Pedrecosa, Fabian, et al. «Scikit-learn: машинное обучение в Python». Журнал исследований машинного обучения 12 (2011): 2825-2830.

Сноски

1. Yoon, Sung Whan, et al. «XTARNet: Learning для извлечения адаптивного представления задач для инкрементного небольшого обучения». Международная конференция по машинному обучению . PMLR, 2020. ↩ ²

2. Goldblum, Micah, et al. «Раскрытие мета-обучения: понимание представлений о функциях для нескольких выстрелов». Международная конференция по машинному обучению . PMLR, 2020. ↩

3. Верма, Викас и др. «Многообразие: лучшие представления путем интерполяции скрытых состояний». Международная конференция по машинному обучению . PMLR, 2019. ↩

4. Мазумдер, Пратик, Правендра Сингх и Пиюш Рай. «Несколько выстрелов в течение всей жизни». Труды конференции АААИ по искусственному интеллекту . Тол. 35. № 3. 2021. ↩