learning to learn
1.0.0
python train.py --problem=mnist --save_path=./mnist
أعلام سطر الأوامر:
save_path : إذا كان موجودًا، فسيتم حفظ المُحسِّن في المسار المحدد في كل مرة يتم فيها تحسين أداء التقييم.num_epochs : عدد فترات التدريب.log_period : العصور قبل الإبلاغ عن متوسط الأداء والوقت.evaluation_period : العصور التي سبقت تقييم المُحسِّن.evaluation_epochs : عدد فترات التقييم.problem : مشكلة للتدريب عليها. انظر قسم المشاكل أدناه.num_steps : عدد خطوات التحسين.unroll_length : عدد خطوات الإلغاء للمُحسِّن.learning_rate : معدل التعلم.second_derivatives : إذا كان true ، فسيحاول المحسن حساب المشتقات الثانية من خلال دالة الخسارة المحددة بواسطة المشكلة. python evaluate.py --problem=mnist --optimizer=L2L --path=./mnist
أعلام سطر الأوامر:
optimizer : Adam أو L2L .path : المسار إلى المحسن المحفوظ، يكون ذا صلة فقط في حالة استخدام محسن L2L .learning_rate : معدل التعلم، لا ينطبق إلا في حالة استخدام محسن Adam .num_epochs : عدد فترات التقييم.seed : البذور لتوليد أرقام عشوائية.problem : مشكلة للتقييم. انظر قسم المشاكل أدناه.num_steps : عدد خطوات التحسين. تدعم البرامج النصية للتدريب والتقييم المشكلات التالية (راجع util.py لمزيد من التفاصيل):
simple : دالة تربيعية ذات متغير واحد.simple-multi : دالة تربيعية ذات متغيرين، حيث يتم تحسين أحد المتغيرات باستخدام مُحسِّن متعلم والآخر باستخدام Adam.quadratic : دالة تربيعية مجمعة ذات عشرة متغيرات.mnist : تصنيف Mnist باستخدام شبكة متصلة بالكامل مكونة من طبقتين.cifar : تصنيف Cifar10 باستخدام الشبكة العصبية التلافيفية.cifar-multi : تصنيف Cifar10 باستخدام شبكة عصبية تلافيفية، حيث يتم استخدام محسنين متعلمين مستقلين. أحدهما لتحسين المعلمات من الطبقات التلافيفية والآخر لتحسين المعلمات من الطبقات المتصلة بالكامل. يمكن تنفيذ المشاكل الجديدة بسهولة بالغة. يمكنك أن ترى في train.py أن طريقة meta_minimize من فئة MetaOptimizer تُعطى وظيفة تُرجع عملية TensorFlow التي تولد وظيفة الخسارة التي نريد تقليلها (راجع problems.py للحصول على مثال).
من المهم أن تتم جميع العمليات ذات التأثيرات الجانبية لـ Python (مثل إنشاء قائمة الانتظار) خارج الوظيفة التي تم تمريرها إلى meta_minimize . تعد وظيفة cifar10 في problems.py مثالًا جيدًا لوظيفة الخسارة التي تستخدم قوائم انتظار TensorFlow.
إخلاء المسؤولية: هذا ليس أحد منتجات Google الرسمية.
