continuum

Kontinum: Manajemen Sederhana Skenario Pembelajaran Berkelanjutan yang Kompleks

Perpustakaan untuk memuat kumpulan data PyTorch di bidang Pembelajaran Berkelanjutan

Alias ​​Pembelajaran Berkelanjutan, Pembelajaran Seumur Hidup, Pembelajaran Tambahan, dll.

Baca dokumentasinya.
Uji Kontinum di Colab!

Contoh:

Instal dari dan PyPi:

pip3 install continuum

Dan lari!

 from torch . utils . data import DataLoader

from continuum import ClassIncremental
from continuum . datasets import MNIST
from continuum . tasks import split_train_val

dataset = MNIST ( "my/data/path" , download = True , train = True )
scenario = ClassIncremental (
    dataset ,
    increment = 1 ,
    initial_increment = 5
)

print ( f"Number of classes: { scenario . nb_classes } ." )
print ( f"Number of tasks: { scenario . nb_tasks } ." )

for task_id , train_taskset in enumerate ( scenario ):
    train_taskset , val_taskset = split_train_val ( train_taskset , val_split = 0.1 )
    train_loader = DataLoader ( train_taskset , batch_size = 32 , shuffle = True )
    val_loader = DataLoader ( val_taskset , batch_size = 32 , shuffle = True )

    for x , y , t in train_loader :
        # Do your cool stuff here

Jenis Skenario yang Didukung

Nama	Akronim	Didukung	Skenario
Contoh Baru	TIDAK	✅	Instans Tambahan
Kelas Baru	tidak	✅	Kelas Tambahan
Instance & Kelas Baru	NIC	✅	Data Tambahan

Kumpulan Data yang Didukung:

Sebagian besar dataset dari torchvision.dasasets didukung, untuk daftar lengkap lihat halaman dokumentasi dataset di sini.

Selain itu, beberapa kumpulan data "Meta" dapat dibuat atau digunakan dari array numpy atau kumpulan data torchvision.dataset apa pun atau dari folder untuk kumpulan data yang memiliki struktur seperti pohon atau dengan menggabungkan beberapa kumpulan data dan membuat persekutuan kumpulan data!

Pengindeksan

Semua pemuat berkelanjutan kami dapat diubah (yaitu Anda dapat mengulanginya), dan juga dapat diindeks.

Artinya clloader[2] mengembalikan tugas ketiga (indeks dimulai dari 0). Demikian pula, jika Anda ingin mengevaluasi setelah setiap tugas, pada semua tugas yang terlihat, lakukan clloader_test[:n] .

Contoh Contoh Gambar dari skenario Continuum

CIFAR10 :

Tugas 0	Tugas 1	Tugas 2	Tugas 3	Tugas 4

Beasiswa MNIST (MNIST + FashionMNIST + KMIST) :

Tugas 0	Tugas 1	Tugas 2

DipermutasiMNIST :

Tugas 0	Tugas 1	Tugas 2	Tugas 3	Tugas 4

DiputarMNIST :

Tugas 0	Tugas 1	Tugas 2	Tugas 3	Tugas 4

TransformasiInkremental + Tukar Latar Belakang :

Tugas 0	Tugas 1	Tugas 2

Kutipan

Jika Anda merasa perpustakaan ini berguna dalam pekerjaan Anda, mohon pertimbangkan untuk mengutipnya:

 @misc{douillardlesort2021continuum,
  author={Douillard, Arthur and Lesort, Timothée},
  title={Continuum: Simple Management of Complex Continual Learning Scenarios},
  publisher={arXiv: 2102.06253},
  year={2021}
}

Pemelihara

Proyek ini dimulai atas upaya bersama dari Arthur Douillard & Timothée Lesort, dan saat ini kami adalah dua pengelolanya.

Jangan ragu untuk berkontribusi! Jika Anda ingin mengusulkan fitur baru, silakan buat masalah.

Kontributor: Lucas Caccia Lucas Cecchi Pau Rodriguez, Yury Antonov, psychicmario, fcld94, Ashok Arjun, Md Rifat Arefin, DanieleMugnai, Xiaohan Zou, Umberto Cappellazzo.

Di PyPi

Proyek kami tersedia di PyPi!

pip3 install continuum

Perhatikan bahwa sebelumnya proyek lain, alat CI, menggunakan nama itu. Sekarang ada continuum_ci.