labml

ตรวจสอบการฝึกอบรมรูปแบบการเรียนรู้ลึกและการใช้ฮาร์ดแวร์จากมือถือ

คุณสมบัติ

• ตรวจสอบการทดลองใช้โทรศัพท์มือถือหรือแล็ปท็อป
• ตรวจสอบการใช้ฮาร์ดแวร์บนคอมพิวเตอร์เครื่องใดก็ได้ที่มีคำสั่งเดียว
• รวมเข้ากับรหัสเพียง 2 บรรทัด (ดูตัวอย่างด้านล่าง)
• ติดตามการทดลองรวมถึง infomation เช่น Git Commit, การกำหนดค่าและพารามิเตอร์ไฮเปอร์
• API สำหรับการสร้างภาพที่กำหนดเอง
• บันทึกความคืบหน้าของการฝึกอบรม
• โอเพ่นซอร์ส!

โฮสต์เซิร์ฟเวอร์การทดลอง

ข้อกำหนดเบื้องต้น

ในการติดตั้ง MongoDB โปรดดูเอกสารอย่างเป็นทางการที่นี่

การติดตั้ง

ติดตั้งแพ็คเกจโดยใช้ PIP:

pip install labml-app

เริ่มต้นเซิร์ฟเวอร์

 # Start the server on the default port (5005)
labml app-server

# To start the server on a different port, use the following command
labml app-server --port PORT

ตัวเลือก: ในการตั้งค่าและกำหนดค่า Nginx ในเซิร์ฟเวอร์ของคุณโปรดดูสิ่งนี้

คุณสามารถเข้าถึงอินเทอร์เฟซผู้ใช้ได้โดยการเยี่ยมชม http://localhost:{port} หรือหากกำหนดค่าบนเครื่องแยกต่างหากโดยนำทางไปยัง http://{server-ip}:{port}

ตรวจสอบการทดลอง

การติดตั้ง

1. ติดตั้งแพ็คเกจโดยใช้ PIP

pip install labml

2. สร้างไฟล์ชื่อ .labml.yaml ที่ระดับบนสุดของโฟลเดอร์โครงการของคุณและเพิ่มบรรทัดต่อไปนี้ในไฟล์:

 app_url : http://localhost:{port}/api/v1/default

# If you are setting up the project on a different machine, include the following line instead,
app_url : http://{server-ip}:{port}/api/v1/default 

ตัวอย่าง Pytorch

 from labml import tracker , experiment

with experiment . record ( name = 'sample' , exp_conf = conf ):
    for i in range ( 50 ):
        loss , accuracy = train ()
        tracker . save ( i , { 'loss' : loss , 'accuracy' : accuracy })

ตัวอย่างการฝึกอบรมแบบกระจาย

 from labml import tracker , experiment

uuid = experiment . generate_uuid () # make sure to sync this in every machine
experiment . create ( uuid = uuid ,
                  name = 'distributed training sample' ,
                  distributed_rank = 0 ,
                  distributed_world_size = 8 ,
                  )
with experiment . start ():
    for i in range ( 50 ):
        loss , accuracy = train ()
        tracker . save ( i , { 'loss' : loss , 'accuracy' : accuracy })

เอกสาร

• Python API อ้างอิง
• ตัวอย่าง

คำแนะนำ

• API เพื่อสร้างการทดลอง
• ติดตามการฝึกอบรม
• ตรวจสอบลูปฝึกอบรมและตัววนซ้ำอื่น ๆ
• API สำหรับการสร้างภาพที่กำหนดเอง
• API การจัดการการกำหนดค่า
• คนตัดไม้สำหรับการบันทึกเก๋ไก๋

- ภาพหน้าจอ

รูปแบบการฝึกอบรมการส่งออก

การสร้างภาพข้อมูลที่กำหนดเองตามบันทึก Tensorboard

การตรวจสอบการใช้ฮาร์ดแวร์

 # Install packages and dependencies
pip install labml psutil py3nvml

# Start monitoring
labml monitor

การอ้าง

หากคุณใช้ LABML สำหรับการวิจัยเชิงวิชาการโปรดอ้างอิงห้องสมุดโดยใช้รายการ BIBTEX ต่อไปนี้

 @misc{labml,
 author = {Varuna Jayasiri, Nipun Wijerathne, Adithya Narasinghe, Lakshith Nishshanke},
 title = {labml.ai: A library to organize machine learning experiments},
 year = {2020},
 url = {https://labml.ai/},
}