avalanche 다운로드 - avalanche 소스 코드 다운로드

avalanche

기타 소스코드

v0.6.0

다운로드

Avalanche: 지속적인 학습을 위한 엔드투엔드 라이브러리

Avalanche 는 지속적인 학습 알고리즘의 빠른 프로토타이핑, 교육 및 재현 가능한 평가를 위한 공유 및 협업 오픈 소스(MIT 라이선스) 코드베이스를 제공한다는 고유한 목표를 가지고 ContinualAI 내에서 탄생한 Pytorch 기반 의 엔드 투 엔드 연속 학습 라이브러리 입니다.

️ 지속적인 학습 기준을 찾고 계십니까? Avalanche를 기반으로 한 CL-Baseline 자매 프로젝트에서는 실험 에 직접 사용할 수 있는 중요한 논문 결과를 재현합니다!

Avalanche는 여러 가지 방법으로 지속적인 학습 연구자에게 도움이 될 수 있습니다.

더 적은 코드를 작성하고 더 빠르게 프로토타입을 작성하며 오류를 줄입니다.
재현성, 모듈성 및 재사용성 향상
코드 효율성, 확장성 및 이식성 향상
연구 결과물의 영향력과 유용성 증대

라이브러리는 네 가지 주요 모듈로 구성됩니다.

벤치마크: 이 모듈은 데이터 처리를 위한 통일된 API를 유지합니다. 즉, 대부분 하나 이상의 데이터 세트에서 데이터 스트림을 생성합니다. 여기에는 모든 주요 CL 벤치마크가 포함되어 있습니다(torchvision에서 수행된 것과 유사).
훈련: 이 모듈은 모델 훈련과 관련하여 필요한 모든 유틸리티를 제공합니다. 여기에는 새로운 지속적인 학습 전략을 구현하는 간단하고 효율적인 방법은 물론 사전 구현된 CL 기준선 세트와 비교에 사용할 수 있는 최첨단 알고리즘이 포함됩니다.
평가: 이 모듈은 지속적인 학습 시스템에 중요하다고 생각되는 모든 요소와 관련하여 CL 알고리즘을 평가하는 데 도움이 될 수 있는 모든 유틸리티와 측정 기준을 제공합니다. 또한 기본 Tensorboard 지원을 포함한 고급 로깅 및 플로팅 기능도 포함되어 있습니다.
모델: 이 모듈은 지속적인 학습 실험에 사용할 수 있는 사전 훈련된 모델 및 인기 있는 아키텍처 세트(torchvision.models에서 수행된 것과 유사)와 함께 모델 확장 및 작업 인식 모델을 구현하는 유틸리티를 제공합니다.
로깅: 기본 표준 출력, 파일 및 TensorBoard 지원을 포함한 고급 로깅 및 플로팅 기능이 포함되어 있습니다. 단 한 줄의 코드로 실시간으로 실험 지표를 추적하는 완전한 대화형 대시보드가 있으면 얼마나 좋을까요?

Avalanche는 벤치마크, 알고리즘, 평가 지표 등을 한 곳에서 찾을 수 있는 재현 가능한 지속적인 학습 연구 및 개발을 위한 엔드투엔드 라이브러리 의 첫 번째 실험입니다.

함께 만들어 볼까요?‍?‍? 멋진 타는 것! ?

Avalanche 사용을 시작하는 방법을 아래에서 확인하세요! ?

빠른 예

 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 ))

현재 릴리스

Avalanche는 지속적인 개발의 프레임워크입니다. ContinualAI 커뮤니티와 활동적인 회원들의 지원 덕분에 우리는 연구 커뮤니티의 요구에 따라 기능을 빠르게 확장하고 유용성을 개선하고 있습니다!

현재 Avalanche는 베타 버전 입니다. 우리는 지속적인 학습 연구를 위한 최고의 도구가 되는 여러 가지 벤치마크 , 전략 및 지표를 지원합니다! ?

pip install avalanche-lib 실행하여 Avalanche를 설치할 수 있습니다.
그러면 핵심 Avalanche 패키지가 설치됩니다. 더 많은 기능을 활성화하려면 추가 패키지와 함께 Avalanche를 설치할 수 있습니다.
Avalanche를 설치하는 데 사용할 수 있는 다양한 방법에 대한 자세한 가이드는 여기를 참조하세요.

시작하기

우리는 처음에는 새로운 도구를 배우는 것이 어려울 수 있다는 것을 알고 있습니다. 이것이 바로 우리가 도중에 도움이 될 리소스 세트를 통해 Avalanche를 최대한 쉽게 배울 수 있도록 만든 이유입니다. 예를 들어, Avalanche에 대한 기본 사항과 연구 프로젝트에서 이를 사용하는 방법을 배울 수 있는 5분 가이드로 시작할 수 있습니다.

시작하기 가이드

또한 코드에 직접 연결하여 사용할 수 있는 다양한 예제 및 스니펫 세트도 준비했습니다.

눈사태의 예

이 두 섹션을 완료하면 이미 초능력을 느끼게 될 것입니다 ⚡. 이것이 바로 Avalanche의 모든 측면을 자세히 다루고 귀하를 진정한 지속적인 학습자로 만들어 줄 심층 튜토리얼도 만든 이유입니다! ?‍?

제로에서 영웅 튜토리얼까지

눈사태 인용

연구 프로젝트에서 Avalanche를 사용하는 경우 JMLR-MLOSS 논문(https://jmlr.org/papers/v24/23-0130.html)을 인용하는 것을 잊지 마십시오. 이는 기계 학습 커뮤니티에서 Avalanche를 더 잘 알리고 궁극적으로 모두를 위한 더 나은 도구를 만드는 데 도움이 될 것입니다.

 @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}
}

이전 CLVision @ CVPR2021 워크숍 문서인 "Avalanche: 지속적인 학습을 위한 엔드투엔드 라이브러리"를 인용할 수도 있습니다.

 @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}
}