mead baseline

Мид

Mead - это библиотека для воспроизводимых исследований глубокого обучения и быстрой разработки модели для НЛП. Он обеспечивает легко расширяемые абстракции и реализации для загрузки данных, разработки модели, обучения, отслеживания экспериментов и экспорта в производство.

Он также предоставляет реализации высокопроизводительных моделей глубокого обучения для различных задач NLP, с которыми можно сравнить вновь разработанные модели. Эксперименты по глубокому обучению трудно воспроизвести, Mead обеспечивает функциональные возможности для их отслеживания. Цель состоит в том, чтобы позволить исследователю сосредоточиться на разработке моделей, делегируя повторяющиеся задачи в библиотеку.

Документация

Учебные пособия с использованием Colab

Мид Хаб

Установка

Пип

Базовая линия может быть установлен в виде пакета Python.

pip install mead-baseline

Вам нужно будет установить уже установленную tensorflow_addons или установить его напрямую с:

pip install mead-baseline[tf2]

Из репозитория

Если у вас есть клон этой репостории и вы хотите установить из нее:

 cd layers
pip install -e .
cd ../
pip install -e .

Это первое устанавливает mead-layers aka 8 миль, крошечные API, содержащие примитивы Pytorch и Tensorflow, локально, а затем mead-baseline

Dockerhub

Мы используем GitHub CI/CD для автоматического освобождения TensorFlow и Pytorch через этот проект:

https://github.com/mead-ml/mead-gpu

Ссылки на последние изображения DockerHub можно найти там

Примечание о версиях

Глубокие рамки обучения развиваются быстро, и изменения не всегда совместимы назад. Мы рекомендуем недавние версии какой -либо структуры используются внизу. В настоящее время мы тестируем на версии TF 2.1.0 и 2.4.1. Бэкэнд Pytorch требует хотя бы версии 1.3.0, хотя мы рекомендуем использовать более недавнюю версию.

Цитируя

Если вы используете библиотеку, пожалуйста, укажите следующую статью:

 @InProceedings{W18-2506,
  author =    "Pressel, Daniel
               and Ray Choudhury, Sagnik
               and Lester, Brian
               and Zhao, Yanjie
               and Barta, Matt",
  title =     "Baseline: A Library for Rapid Modeling, Experimentation and
               Development of Deep Learning Algorithms targeting NLP",
  booktitle = "Proceedings of Workshop for NLP Open Source Software (NLP-OSS)",
  year =      "2018",
  publisher = "Association for Computational Linguistics",
  pages =     "34--40",
  location =  "Melbourne, Australia",
  url =       "http://aclweb.org/anthology/W18-2506"
}

Mead был выбран для плаката Spotlight на семинаре Neurips Mloss в 2018 году. OpenReview Link

Благодарности

• Исследования, поддерживаемые облачными TPU из Google TPU Research Cloud (TRC)