ดาวน์โหลด continuum - ดาวน์โหลดซอร์สโค้ด continuum

continuum

ซอร์สโค้ดอื่น ๆ

Hashed Scenario, Scenario Generator, AwA2 dataset, Cub200 autodl, +fixes

ดาวน์โหลด

ความต่อเนื่อง: การจัดการสถานการณ์การเรียนรู้ต่อเนื่องที่ซับซ้อนอย่างง่ายดาย

ไลบรารีสำหรับการโหลดชุดข้อมูลของ PyTorch ในด้านการเรียนรู้อย่างต่อเนื่อง

Aka การเรียนรู้อย่างต่อเนื่อง, การเรียนรู้ตลอดชีวิต, การเรียนรู้แบบค่อยเป็นค่อยไป ฯลฯ

อ่านเอกสาร
ทดสอบความต่อเนื่องบน Colab !

ตัวอย่าง:

ติดตั้งจากและ PyPi:

pip3 install continuum

และวิ่ง!

 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

ประเภทของสถานการณ์ที่รองรับ

ชื่อ	คำย่อ	สถานการณ์
อินสแตนซ์ใหม่	นิ	อินสแตนซ์ที่เพิ่มขึ้น
ชั้นเรียนใหม่	เอ็นซี	ชั้นเรียนที่เพิ่มขึ้น
อินสแตนซ์และคลาสใหม่	นิค	ข้อมูลที่เพิ่มขึ้น

ชุดข้อมูลที่รองรับ:

รองรับชุดข้อมูลส่วนใหญ่จาก torchvision.dasasets หากต้องการรายการทั้งหมด โปรดดูหน้าเอกสารประกอบชุดข้อมูลที่นี่

นอกจากนี้ ชุดข้อมูล "Meta" บางชุดสามารถสร้างหรือใช้จากอาร์เรย์ numpy หรือชุดข้อมูล torchvision.dataset ใดๆ หรือจากโฟลเดอร์สำหรับชุดข้อมูลที่มีโครงสร้างคล้ายต้นไม้หรือโดยการรวมชุดข้อมูลหลายชุดเข้าด้วยกันและสร้างกลุ่มชุดข้อมูล!

การจัดทำดัชนี

ตัวโหลดต่อเนื่องของเราทั้งหมดสามารถทำซ้ำได้ (เช่น คุณสามารถวนซ้ำได้) และยังสามารถจัดทำดัชนีได้อีกด้วย

หมายความว่า clloader[2] ส่งคืนงานที่สาม (ดัชนีเริ่มต้นที่ 0) ในทำนองเดียวกัน หากคุณต้องการประเมินหลังจากแต่ละงาน ให้ทำ clloader_test[:n] ในงานที่เห็นทั้งหมด

ตัวอย่างภาพตัวอย่างจากสถานการณ์ต่อเนื่อง

ซีฟาร์10 :


งาน 0	ภารกิจที่ 1	ภารกิจที่ 2	ภารกิจที่ 3	ภารกิจที่ 4

MNIST Fellowship (MNIST + FashionMNIST + KMNIST) :


งาน 0	ภารกิจที่ 1	ภารกิจที่ 2

อนุญาตMNIST :


งาน 0	ภารกิจที่ 1	ภารกิจที่ 2	ภารกิจที่ 3	ภารกิจที่ 4

หมุนเวียนMNIST :


งาน 0	ภารกิจที่ 1	ภารกิจที่ 2	ภารกิจที่ 3	ภารกิจที่ 4

การแปลงแบบเพิ่มหน่วย + สลับพื้นหลัง :


งาน 0	ภารกิจที่ 1	ภารกิจที่ 2

การอ้างอิง

หากคุณพบว่าห้องสมุดนี้มีประโยชน์ในการทำงานของคุณ โปรดพิจารณาอ้างอิงถึง:

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

ผู้ดูแล

โครงการนี้เริ่มต้นโดยความพยายามร่วมกันของ Arthur Douillard และ Timothée Lesort และปัจจุบันเราเป็นผู้ดูแลสองคน

รู้สึกอิสระที่จะมีส่วนร่วม! หากคุณต้องการเสนอคุณสมบัติใหม่ โปรดสร้างปัญหา

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