thinc

Thinc: uma abordagem refrescante de aprendizado profundo, compatível com suas bibliotecas favoritas

Dos fabricantes de Spacy e Prodigy

A Thinc é uma biblioteca leve de aprendizado profundo que oferece uma API elegante, verificada por tipo e programação funcional para compor modelos , com suporte para camadas definidas em outras estruturas como Pytorch, Tensorflow e MxNet . Você pode usar o Thinc como uma camada de interface, um kit de ferramentas independente ou uma maneira flexível de desenvolver novos modelos. As versões anteriores de Thinc estão concorrendo silenciosamente em produção em milhares de empresas, via Spacy e Prodigy. Escrevemos a nova versão para permitir que os usuários componham, configurem e implantem modelos personalizados criados com sua estrutura favorita.

Características

• Verifique as definições do seu modelo com tipos personalizados e plug-in mypy .
• Wrap Pytorch , Tensorflow e MxNet Models para uso em sua rede.
• Abordagem concisa de programação funcional para a definição do modelo, usando composição em vez de herança.
• Notação opcional de infixo personalizado via sobrecarga do operador .
• Sistema de configuração integrado para descrever árvores de objetos e hiperparâmetros.
• Escolha de back -ends extensíveis .
• Leia mais →

Investir rápido

A Thinc é compatível com o Python 3.6+ e é executada no Linux , MacOS e Windows . Os lançamentos mais recentes com rodas binárias estão disponíveis na PIP. Antes de instalar o Thinc e suas dependências, verifique se o seu pip , setuptools e wheel estão atualizados. Para os lançamentos mais recentes, recomenda -se PIP 19.3 ou mais recente.

pip install -U pip setuptools wheel
pip install thinc

Consulte os documentos de instalação estendidos para obter detalhes sobre dependências opcionais para diferentes back -ends e GPU. Você também pode configurar a verificação do tipo estático para aproveitar o sistema de tipos de Thinc.

️ Se você instalou o Pytorch e estiver usando o Python 3.7+, desinstale as dataclasses do pacote com pip uninstall dataclasses , pois pode ter sido instalado por Pytorch e é incompatível com o Python 3.7+.

? Exemplos selecionados e cadernos

Consulte também o diretório /examples e a documentação de uso para obter mais exemplos. A maioria dos exemplos são notebooks Jupyter - para iniciá -los no Google Colab (com suporte à GPU!) Clique no botão ao lado do nome do notebook.

Caderno	Descrição
intro_to_thinc	Tudo o que você precisa saber para começar. Compondo e treinando um modelo nos dados do MNIST, usando arquivos de configuração, registrando funções personalizadas e envolvendo os modelos Pytorch, Tensorflow e MXNET.
transformers_tagger_bert	Como usar a Thinc, transformers e Pytorch para treinar um tagger de parte da fala. Da definição e configuração do modelo ao loop de treinamento.
pos_tagger_basic_cnn	Implementando e treinando uma CNN básica para o modelo de marcação de parte da fala sem dependências externas e usando diferentes níveis do sistema de configuração de Thinc.
parallel_training_ray	Como configurar o treinamento síncrono e assíncrono de servidor de parâmetros com Thinc e Ray.

Ver mais →

Guias de documentação e uso

Documentação	Descrição
Introdução	Tudo o que você precisa saber.
Conceito e design	O modelo conceitual de Thinc e como ele funciona.
Definindo e usando modelos	Como compor modelos e atualizar o estado.
Sistema de configuração	Sistema de configuração e registro de função de Thinc.
Integração de Pytorch, Tensorflow & MXNET	Interoperabilidade com estruturas de aprendizado de máquina
API de camadas	Camadas de pesos, transformações, combinadores e invólucros.
Verificação de tipo	Verifique as definições do seu modelo e muito mais.

? O que é onde

Módulo	Descrição
thinc.api	API voltada para o usuário. Todas as classes e funções devem ser importadas daqui.
thinc.types	Tipos personalizados e dataclasses.
thinc.model	A classe Model . Todos os modelos de tinta são uma instância (não uma subclasse) do Model .
thinc.layers	As camadas. Cada camada é implementada em seu próprio módulo.
thinc.shims	Interface para modelos externos implementados em pytorch, tensorflow etc.
thinc.loss	Funções para calcular perdas.
thinc.optimizers	Funções para criar otimizadores. Atualmente, suporta SGD "Vanilla", Adam e Radam.
thinc.schedules	Geradores para taxas, horários, decaimentos ou séries diferentes.
thinc.backends	Back -end para numpy e cupy .
thinc.config	Configurar o sistema de análise e validação e função do Sistema de Registro.
thinc.util	Utilitários e funções auxiliares.

? Notas de desenvolvimento

Thinc usa black para formatação automática, flake8 para linha e mypy para verificação do tipo. Todo o código é escrito compatível com o Python 3.6+ , com dicas de tipo sempre que possível. Consulte a referência de tipo para obter mais detalhes sobre os tipos personalizados de Thinc.

? ‍♀️ Construir Thinc da fonte

Construir Thinc da fonte requer as dependências completas listadas no requirements.txt a serem instaladas. Você também precisará de um compilador para construir as extensões C.

git clone https://github.com/explosion/thinc
cd thinc
python -m venv .env
source .env/bin/activate
pip install -U pip setuptools wheel
pip install -r requirements.txt
pip install --no-build-isolation .

Como alternativa, instale no modo editável:

pip install -r requirements.txt
pip install --no-build-isolation --editable .

Ou definindo PYTHONPATH :

 export PYTHONPATH= ` pwd `
pip install -r requirements.txt
python setup.py build_ext --inplace

? Testes de execução

Thinc vem com uma extensa suíte de teste. O seguinte deve passar e não relatar nenhum aviso ou erro:

python -m pytest thinc    # test suite
python -m mypy thinc      # type checks
python -m flake8 thinc    # linting

Para visualizar a cobertura do teste, você pode executar python -m pytest thinc --cov=thinc . Nosso objetivo é uma cobertura de teste de 100%. Isso não significa que escrevemos meticulosamente testes para cada linha - ignoramos blocos que não são relevantes ou difíceis de testar e garantir que os testes executem todos os caminhos de código.