toolkits

ชุดเครื่องมือ DL

? ‍ เครื่องมือวิเคราะห์สำหรับการทดลองการเรียนรู้อย่างลึกซึ้ง? ‍

เมื่อใดก็ตามที่ฉันวิเคราะห์ผลลัพธ์ของการทดลอง DL ฉันต้องตรวจสอบฟังก์ชั่นการวิเคราะห์อีกครั้งทุกครั้ง ดังนั้นฉันใช้ฟังก์ชั่นที่ใช้บ่อยในที่เก็บนี้ คุณสมบัติใหม่ยังคงดำเนินการต่อไปและตัวอย่างง่าย ๆ ของการใช้งานฟังก์ชั่นสามารถพบได้ในไดเรกทอรี examples

การติดตั้ง

คุณสามารถติดตั้งแพ็คเกจด้วยคำสั่ง pip Python> = 3 ได้รับการสนับสนุน

 pip install dl-toolkits

คุณสามารถตรวจสอบเวอร์ชันของแพ็คเกจโดยใช้คำสั่งต่อไปนี้

 import toolkits
print ( toolkits . __version__ )

โมดูล

การแสดงภาพ

• viz.tsne : T-Sne plot

คุณภาพการจัดกลุ่ม

• cluster.sse : ผลรวมของข้อผิดพลาดกำลังสอง (SSE) ¹
• cluster.batch_sse : ผลรวมของข้อผิดพลาดกำลังสอง (SSE) สำหรับอินพุตแบทช์
• cluster.nsse : SSE ทำให้เป็นมาตรฐานโดยระยะทางกำลังสองไปยัง Centroid (NSSE) ที่ใกล้ที่สุด ¹
• cluster.batch_nsse : SSE ถูกทำให้เป็นมาตรฐานโดยระยะทางกำลังสองไปยัง Centroid (NSSE) ที่ใกล้ที่สุดสำหรับอินพุตแบทช์
• cluster.nearc : top n ที่ใกล้ที่สุดรบกวน centroid
• cluster.rfc : คุณสมบัติการจัดกลุ่มพื้นที่ว่าง (R_FC) ²

พีชคณิตเชิงเส้น

• linalg.get_singular_values : รับค่าเอกพจน์ต่อคลาส
• linalg.get_sum_of_singular_values : รับผลรวมของค่าเอกพจน์ต่อคลาส
• linalg.get_average_sum_of_singular_values : รับค่าเฉลี่ยของผลรวมของค่าเอกพจน์ต่อคลาส ³

พิมพ์สวย

• pprint.pred_summary : พิมพ์ง่ายสำหรับการทำนายและฉลากจริง

ตัวแยกวิเคราะห์บันทึก

• parse.between_lines : แยกบันทึกระหว่างสองประโยคอินพุต
• parse.between_lines_on_file : แยกบันทึกระหว่างสองประโยคอินพุตในไฟล์เป้าหมาย
• parse.between_lines_on_dir : แยกบันทึกระหว่างสองประโยคอินพุตบนไดเรกทอรีเป้าหมาย

ฟังก์ชั่นผู้ช่วย Pytorch

• torch_helper.freeze_selected_param : ตรึงน้ำหนักด้วยชื่อที่เลือก
• torch_helper.get_important_param_idx : รับดัชนีพารามิเตอร์ที่สำคัญ ⁴

การอ้างอิง

Pedregosa, Fabian, et al. "Scikit-Learn: การเรียนรู้ของเครื่องใน Python" วารสารการวิจัยการเรียนรู้ของเครื่องจักร 12 (2011): 2825-2830

เชิงอรรถ

1. Yoon, Sung Whan, et al. "XTARNET: การเรียนรู้ที่จะดึงการเป็นตัวแทนปรับแต่งภารกิจสำหรับการเรียนรู้การยิงสองสามครั้งที่เพิ่มขึ้น" การประชุมนานาชาติเกี่ยวกับการเรียนรู้ของเครื่องจักร PMLR, 2020. ↩ ²

2. Goldblum, Micah, et al. "การเปิดเผยการเรียนรู้ Meta-Learning: การทำความเข้าใจการเป็นตัวแทนคุณลักษณะสำหรับงานไม่กี่ครั้ง" การประชุมนานาชาติเกี่ยวกับการเรียนรู้ของเครื่องจักร PMLR, 2020.

3. Verma, Vikas, et al. "Manifold Mixup: การเป็นตัวแทนที่ดีขึ้นโดยการแก้ไขรัฐที่ซ่อนอยู่" การประชุมนานาชาติเกี่ยวกับการเรียนรู้ของเครื่องจักร PMLR, 2019. ↩

4. Mazumder, Pratik, Pravendra Singh และ Piyush Rai "การเรียนรู้ตลอดชีวิตสองสามครั้ง" การดำเนินการของการประชุม AAAI เกี่ยวกับปัญญาประดิษฐ์ ฉบับ 35. หมายเลข 3. 2021. ↩