หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

memn2n

การใช้งานเครือข่ายหน่วยความจำแบบ end-to-end ด้วยอินเทอร์เฟซเหมือน Sklearn โดยใช้ TensorFlow งานมาจากชุดข้อมูล BABL

เริ่มต้นใช้งาน 

 git clone [email protected]:domluna/memn2n.git

mkdir ./memn2n/data/
cd ./memn2n/data/
wget http://www.thespermwhale.com/jaseweston/babi/tasks_1-20_v1-2.tar.gz
tar xzvf ./tasks_1-20_v1-2.tar.gz

cd ../
python single.py

ตัวอย่าง

ใช้งาน Babi เดียว

ใช้โมเดลร่วมในงาน Babi ทั้งหมด

ไฟล์เหล่านี้ยังเป็นตัวอย่างที่ดีของการใช้งาน

ความต้องการ

  • Tensorflow 1.0
  • Scikit-learn 0.17.1
  • หก 1.10.0

ผลงานเดียว

สำหรับงานที่จะผ่านมันจะต้องตอบสนองความแม่นยำในการทดสอบ 95%+ วัดจากงานเดียวในข้อมูล 1K

ผ่าน: 1,4,12,15,20

งานอื่น ๆ อีกมากมายมีความแม่นยำในการทดสอบ 80%+

stochastic gradient descent optimiz

มีการใช้พารามิเตอร์ต่อไปนี้:

  • ยุค: 100
  • ฮ็อพ: 3
  • EMBEDDING_SIZE: 20
งาน ความแม่นยำในการฝึกอบรม ความแม่นยำในการตรวจสอบ การทดสอบความแม่นยำ
1 1.0 1.0 1.0
2 1.0 0.86 0.83
3 1.0 0.64 0.54
4 1.0 0.99 0.98
5 1.0 0.94 0.87
6 1.0 0.97 0.92
7 1.0 0.89 0.84
8 1.0 0.93 0.86
9 1.0 0.86 0.90
10 1.0 0.80 0.78
11 1.0 0.92 0.84
12 1.0 1.0 1.0
13 0.99 0.94 0.90
14 1.0 0.97 0.93
15 1.0 1.0 1.0
16 0.81 0.47 0.44
17 0.76 0.65 0.52
18 0.97 0.96 0.88
19 0.40 0.17 0.13
20 1.0 1.0 1.0

ผลการฝึกอบรมร่วมกัน

ผ่าน: 1,6,9,10,12,13,15,20

ใช้เครื่องมือเพิ่มประสิทธิภาพการไล่ระดับสีไล่ระดับสีแบบ Stochastic อีกครั้งกับตารางอัตราการเรียนรู้แบบอบอ่อนตามที่ระบุไว้ในส่วน 4.2 ของเครือข่ายหน่วยความจำแบบครบวงจร

มีการใช้พารามิเตอร์ต่อไปนี้:

  • ยุค: 60
  • ฮ็อพ: 3
  • EMBEDDING_SIZE: 40
งาน ความแม่นยำในการฝึกอบรม ความแม่นยำในการตรวจสอบ การทดสอบความแม่นยำ
1 1.0 0.99 0.999
2 1.0 0.84 0.849
3 0.99 0.72 0.715
4 0.96 0.86 0.851
5 1.0 0.92 0.865
6 1.0 0.97 0.964
7 0.96 0.87 0.851
8 0.99 0.89 0.898
9 0.99 0.96 0.96
10 1.0 0.96 0.928
11 1.0 0.98 0.93
12 1.0 0.98 0.982
13 0.99 0.98 0.976
14 1.0 0.81 0.877
15 1.0 1.0 0.983
16 0.64 0.45 0.44
17 0.77 0.64 0.547
18 0.85 0.71 0.586
19 0.24 0.07 0.104
20 1.0 1.0 0.996

หมายเหตุ

ผลลัพธ์งานเดียวมาจาก 10 เส้นทางซ้ำ ๆ ของโมเดลงานเดียวที่รวมงานทั้งหมด 20 งานที่มีการเริ่มต้นแบบสุ่มที่แตกต่างกัน ประสิทธิภาพของโมเดลที่มีความแม่นยำในการตรวจสอบความถูกต้องต่ำสุดสำหรับแต่ละงานจะแสดงในตารางด้านบน

ผลการฝึกอบรมร่วมกันมาจาก 10 เส้นทางซ้ำ ๆ ของโมเดลร่วมกันทำงานทั้งหมด ประสิทธิภาพของโมเดลเดียวที่มีความแม่นยำในการตรวจสอบความถูกต้องผ่านงานมากที่สุด (> = 0.95) จะแสดงในตารางด้านบน (Joint_scores_run2.csv) คะแนนจากการวิ่งทั้ง 10 ครั้งอยู่ในผลลัพธ์/ ไดเรกทอรี

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด