avalanche
v0.6.0
Situs Web Longsor | Memulai | Contoh | Tutorial | Dokumen API | Kertas | Twitter
Avalanche adalah perpustakaan Pembelajaran Berkelanjutan end-to-end berdasarkan Pytorch , lahir dalam ContinualAI dengan tujuan unik untuk menyediakan basis kode sumber terbuka (berlisensi MIT) bersama dan kolaboratif untuk pembuatan prototipe cepat, pelatihan, dan evaluasi algoritma pembelajaran berkelanjutan yang dapat direproduksi.
️ Mencari dasar pembelajaran berkelanjutan ? Dalam proyek saudara CL-Baseline berdasarkan Avalanche, kami mereproduksi hasil makalah penting yang dapat langsung Anda gunakan dalam eksperimen Anda !
Avalanche dapat membantu peneliti Pembelajaran Berkelanjutan dalam beberapa cara:
Perpustakaan ini disusun menjadi empat modul utama:
Longsorkan eksperimen pertama dari Perpustakaan End-to-end untuk penelitian & pengembangan pembelajaran berkelanjutan yang dapat direproduksi di mana Anda dapat menemukan tolok ukur, algoritme, metrik evaluasi, dan banyak lagi, di tempat yang sama.
Mari kita buat bersama ??? perjalanan yang luar biasa! ?
Lihat di bawah bagaimana Anda dapat mulai menggunakan Avalanche! ?
import torch
from torch . nn import CrossEntropyLoss
from torch . optim import SGD
from avalanche . benchmarks . classic import PermutedMNIST
from avalanche . models import SimpleMLP
from avalanche . training import Naive
# Config
device = torch . device ( "cuda:0" if torch . cuda . is_available () else "cpu" )
# model
model = SimpleMLP ( num_classes = 10 )
# CL Benchmark Creation
perm_mnist = PermutedMNIST ( n_experiences = 3 )
train_stream = perm_mnist . train_stream
test_stream = perm_mnist . test_stream
# Prepare for training & testing
optimizer = SGD ( model . parameters (), lr = 0.001 , momentum = 0.9 )
criterion = CrossEntropyLoss ()
# Continual learning strategy
cl_strategy = Naive (
model , optimizer , criterion , train_mb_size = 32 , train_epochs = 2 ,
eval_mb_size = 32 , device = device )
# train and test loop over the stream of experiences
results = []
for train_exp in train_stream :
cl_strategy . train ( train_exp )
results . append ( cl_strategy . eval ( test_stream ))Longsoran salju adalah kerangka kerja yang terus berkembang. Berkat dukungan komunitas ContinualAI dan anggota aktifnya, kami dengan cepat memperluas fitur-fiturnya dan meningkatkan kegunaannya berdasarkan permintaan komunitas riset kami!
Saat ini, Avalanche sedang dalam versi Beta . Kami mendukung beberapa Tolok Ukur , Strategi, dan Metrik , yang kami yakini menjadikannya alat terbaik untuk penelitian pembelajaran berkelanjutan Anda! ?
Anda dapat menginstal Avalanche dengan menjalankan pip install avalanche-lib .
Ini akan menginstal paket inti Avalanche. Anda dapat menginstal Avalanche dengan paket tambahan untuk mengaktifkan lebih banyak fungsi.
Lihat di sini untuk panduan lebih lengkap tentang berbagai cara yang tersedia untuk menginstal Avalanche.
Kami tahu bahwa mempelajari alat baru mungkin sulit pada awalnya. Inilah sebabnya kami membuat Avalanche semudah mungkin dipelajari dengan serangkaian sumber daya yang akan membantu Anda sepanjang prosesnya. Misalnya, Anda dapat memulai dengan panduan 5 menit kami yang memungkinkan Anda memperoleh dasar-dasar tentang Avalanche dan bagaimana Anda dapat menggunakannya dalam proyek penelitian Anda:
Kami juga telah menyiapkan sejumlah besar contoh & cuplikan yang dapat Anda masukkan langsung ke kode Anda dan mainkan:
Setelah menyelesaikan dua bagian ini, Anda akan merasakan kekuatan super ⚡, itulah sebabnya kami juga membuat tutorial mendalam yang akan mencakup semua aspek Avalanche secara mendetail dan menjadikan Anda Pembelajar Berkelanjutan sejati! ??
Jika Anda menggunakan Avalanche dalam proyek penelitian Anda, harap ingat untuk mengutip makalah JMLR-MLOSS kami https://jmlr.org/papers/v24/23-0130.html. Hal ini akan membantu kami menjadikan Avalanche lebih dikenal di komunitas pembelajaran mesin, sehingga pada akhirnya menjadikan alat yang lebih baik untuk semua orang:
@article{JMLR:v24:23-0130,
author = {Antonio Carta and Lorenzo Pellegrini and Andrea Cossu and Hamed Hemati and Vincenzo Lomonaco},
title = {Avalanche: A PyTorch Library for Deep Continual Learning},
journal = {Journal of Machine Learning Research},
year = {2023},
volume = {24},
number = {363},
pages = {1--6},
url = {http://jmlr.org/papers/v24/23-0130.html}
}
Anda juga dapat mengutip makalah lokakarya CLVision @ CVPR2021 sebelumnya: "Avalanche: an End-to-End Library for Continual Learning".
@InProceedings{lomonaco2021avalanche,
title={Avalanche: an End-to-End Library for Continual Learning},
author={Vincenzo Lomonaco and Lorenzo Pellegrini and Andrea Cossu and Antonio Carta and Gabriele Graffieti and Tyler L. Hayes and Matthias De Lange and Marc Masana and Jary Pomponi and Gido van de Ven and Martin Mundt and Qi She and Keiland Cooper and Jeremy Forest and Eden Belouadah and Simone Calderara and German I. Parisi and Fabio Cuzzolin and Andreas Tolias and Simone Scardapane and Luca Antiga and Subutai Amhad and Adrian Popescu and Christopher Kanan and Joost van de Weijer and Tinne Tuytelaars and Davide Bacciu and Davide Maltoni},
booktitle={Proceedings of IEEE Conference on Computer Vision and Pattern Recognition},
series={2nd Continual Learning in Computer Vision Workshop},
year={2021}
}
Avalanche adalah proyek kolaboratif sumber terbuka andalan ContinualAI: sebuah organisasi penelitian nirlaba dan komunitas terbuka terbesar dalam Pembelajaran Berkelanjutan untuk AI.
Apakah Anda mempunyai pertanyaan, apakah Anda ingin melaporkan masalah atau sekadar meminta fitur baru? Kunjungi pusat Pertanyaan & Masalah. Apakah Anda ingin meningkatkan Avalanche sendiri? Ikuti aturan sederhana berikut tentang Cara Berkontribusi.
Proyek Avalanche dikelola oleh tim peneliti kolaboratif ContinualAI Lab dan digunakan secara luas oleh konsorsium Unit Penelitian ContinualAI (CLAIR), sebuah jaringan penelitian dari pemangku kepentingan pembelajaran berkelanjutan di seluruh dunia.
Kami selalu mencari anggota baru yang bersedia bergabung dengan Lab ContinualAI, jadi kunjungi situs web resmi kami jika Anda ingin mempelajari lebih lanjut tentang kami dan aktivitas kami, atau hubungi kami.
Pelajari lebih lanjut tentang tim Avalanche dan semua orang yang menjadikannya hebat!
