Escouade de mods

Mod-Squad : concevoir des mélanges d'experts en tant qu'apprenants multitâches modulaires

Il s'agit d'une implémentation PyTorch/GPU du document Mod-Squad : Concevoir des mélanges d'experts en tant qu'apprenants multitâches modulaires :

 @article{chen2022modsquad,
            title={Mod-Squad: Designing Mixtures of Experts As Modular Multi-Task Learners},
            author={Zitian Chen and Yikang Shen and Mingyu Ding and Zhenfang Chen and Hengshuang Zhao and Erik Learned-Miller and Chuang Gan},
            journal={CVPR},
            year={2023}
}

• L'implémentation était basée sur Pytorch==1.10.2 et test sur le serveur powerpc.

Préparer

Ensemble de données : économie de tâches

Un exemple de téléchargement à partir d'un petit sous-ensemble

 omnitools.download class_object class_scene depth_euclidean depth_zbuffer edge_occlusion edge_texture keypoints2d keypoints3d nonfixated_matches normal points principal_curvature reshading rgb segment_semantic segment_unsup2d segment_unsup25d --components taskonomy --subset tiny --dest ./taskonomy_tiny/   --connections_total 40 --agree --name [your name] --email [your email]

Veuillez mettre les données dans ./data

Le modèle par défaut sera enregistré dans ./work_dir, les journaux seront enregistrés dans ./log_dir

Environnement : timm==0.3.2 pytorch==1.10.2

Installez le module MoE :

 cd parallel_linear
pip3 install .

Former

 python -m torch.distributed.launch --nnodes=1 --nproc_per_node=2 --master_port 44875 main_mt.py 
        --batch_size 6 
        --epochs 100 
        --input_size 224 
        --blr 4e-4 --weight_decay 0.05 
        --warmup_epochs 10 
        --model mtvit_taskgate_att_mlp_base_MI_twice 
        --drop_path 0.1 
        --scaleup 
        --exp-name scaleup_mtvit_taskgate_att_mlp_base_MI_twice