learn2learn
ved dependency.
Learn2Learn是用於元學習研究的軟件庫。
Learn2Learn在Pytorch之上建立，以加速元學習研究週期的兩個方面：
Learn2Learn提供了低級實用程序和統一的界面，以創建新的算法和域，以及現有算法和標準化基準的高質量實現。它保留了與Torchvision，Torchaudio，Torchtext，Cherry和您可能使用的任何其他基於Pytorch的庫的兼容性。
要了解更多信息，請參閱我們的白皮書：Arxiv：2008.12284
概述
learn2learn.data ： Taskset和轉換以從任何Pytorch數據集創建幾個彈藥任務。learn2learn.vision ：用於計算機視覺和少量學習的模型，數據集和基準。learn2learn.gym ：元提升學習的環境和實用程序。learn2learn.algorithms ：現有元學習算法的高級包裝器。learn2learn.optim ：用於可區分優化和元偏發現的實用程序和算法。資源
pip install learn2learn以下片段可窺視學習2learn的功能。
有關更多算法（質子，Anil，Meta-SGD，Reptile，Meta-Curvature，kfo），請參閱示例文件夾。它們中的大多數可以與GBML包裝器一起實施。 (文件).
maml = l2l . algorithms . MAML ( model , lr = 0.1 )
opt = torch . optim . SGD ( maml . parameters (), lr = 0.001 )
for iteration in range ( 10 ):
opt . zero_grad ()
task_model = maml . clone () # torch.clone() for nn.Modules
adaptation_loss = compute_loss ( task_model )
task_model . adapt ( adaptation_loss ) # computes gradient, update task_model in-place
evaluation_loss = compute_loss ( task_model )
evaluation_loss . backward () # gradients w.r.t. maml.parameters()
opt . step ()通過LearnableOptimizer學習任何形式的優化算法。 （例如和文檔）
linear = nn . Linear ( 784 , 10 )
transform = l2l . optim . ModuleTransform ( l2l . nn . Scale )
metaopt = l2l . optim . LearnableOptimizer ( linear , transform , lr = 0.01 ) # metaopt has .step()
opt = torch . optim . SGD ( metaopt . parameters (), lr = 0.001 ) # metaopt also has .parameters()
metaopt . zero_grad ()
opt . zero_grad ()
error = loss ( linear ( X ), y )
error . backward ()
opt . step () # update metaopt
metaopt . step () # update linear許多標準化數據集（Omniglot，Mini-/tiered-Imagenet，FC100，CIFAR-FS）很容易在learn2learn.vision.datasets中獲得。 (文件)
dataset = l2l . data . MetaDataset ( MyDataset ()) # any PyTorch dataset
transforms = [ # Easy to define your own transform
l2l . data . transforms . NWays ( dataset , n = 5 ),
l2l . data . transforms . KShots ( dataset , k = 1 ),
l2l . data . transforms . LoadData ( dataset ),
]
taskset = Taskset ( dataset , transforms , num_tasks = 20000 )
for task in taskset :
X , y = task
# Meta-train on the task與AsyncVectorEnv或使用標準化的環境並行化您自己的元環境。 (文件)
def make_env ():
env = l2l . gym . HalfCheetahForwardBackwardEnv ()
env = cherry . envs . ActionSpaceScaler ( env )
return env
env = l2l . gym . AsyncVectorEnv ([ make_env for _ in range ( 16 )]) # uses 16 threads
for task_config in env . sample_tasks ( 20 ):
env . set_task ( task ) # all threads receive the same task
state = env . reset () # use standard Gym API
action = my_policy ( env )
env . step ( action )通過更新Pytorch模塊來學習和區分。 (文件)
model = MyModel ()
transform = l2l . optim . KroneckerTransform ( l2l . nn . KroneckerLinear )
learned_update = l2l . optim . ParameterUpdate ( # learnable update function
model . parameters (), transform )
clone = l2l . clone_module ( model ) # torch.clone() for nn.Modules
error = loss ( clone ( X ), y )
updates = learned_update ( # similar API as torch.autograd.grad
error ,
clone . parameters (),
create_graph = True ,
)
l2l . update_module ( clone , updates = updates )
loss ( clone ( X ), y ). backward () # Gradients w.r.t model.parameters() and learned_update.parameters() changelog.md文件中可用人為可讀的變形值。
為了在您的學術出版物中引用learn2learn存儲庫，請使用以下參考。
Arnold，Sebastien MR，Praateek Mahajan，Debajyoti Datta，Ian Bunner和Konstantinos Saitas Zarkias。 2020年。 “ Learn2learn：元學習研究的庫。” arxiv [cs.lg]。 http://arxiv.org/abs/2008.12284。
您也可以使用以下Bibtex條目。
@article { Arnold2020-ss ,
title = " learn2learn: A Library for {Meta-Learning} Research " ,
author = " Arnold, S{'e}bastien M R and Mahajan, Praateek and Datta,
Debajyoti and Bunner, Ian and Zarkias, Konstantinos Saitas " ,
month = aug,
year = 2020 ,
url = " http://arxiv.org/abs/2008.12284 " ,
archivePrefix = " arXiv " ,
primaryClass = " cs.LG " ,
eprint = " 2008.12284 "
}
nn.Module有關更多信息，請參閱其Arxiv論文。
