mead baseline

米德

米德（Mead）是一個可重現的深度學習研究和NLP快速模型開發的庫。它為數據加載，模型開發，培訓，實驗跟踪和導出到生產提供了易於擴展的抽象和實現。

它還為各種NLP任務提供了高性能深度學習模型的實現，可以將新開發的模型進行比較。深度學習實驗很難再現，Mead提供了跟踪它們的功能。目的是允許研究人員專注於模型開發，將重複任務委託給圖書館。

文件

使用Colab的教程

米德集線器

安裝

pip

基線可以作為Python軟件包安裝。

pip install mead-baseline

您將需要已經安裝了tensorflow_addons ，或者將其直接安裝在以下方式：

pip install mead-baseline[tf2]

來自存儲庫

如果您有此轉換的克隆，並且想從中安裝：

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

這首先安裝了mead-layers又名8英里，一個小的層API，其中包含Pytorch和Tensorflow原語，然後在本地，然後mead-baseline

Dockerhub

我們使用GitHub CI/CD通過此項目自動釋放TensorFlow和Pytorch：

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

可以在那裡找到指向最新Dockerhub圖像的鏈接

關於版本的註釋

深度學習框架正在迅速發展，並且變化並不總是向後兼容。我們建議在下面使用哪種框架的最新版本。我們目前在TF版本2.1.0和2.4.1上測試。 Pytorch後端至少需要1.3.0版，儘管我們建議使用最新版本。

引用

如果您使用庫，請引用以下論文：

 @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"
}

米德（Mead）於2018年在Neurips MLOSS研討會上選擇了聚光燈海報。 OpenReview鏈接

致謝

• Google TPU研究雲（TRC）的Cloud TPU支持的研究