avalanche
v0.6.0
เว็บไซต์ถล่ม | เริ่มต้นใช้งาน | ตัวอย่าง | บทช่วยสอน | เอกสาร API | กระดาษ | ทวิตเตอร์
Avalanche เป็น ไลบรารีการเรียนรู้ต่อเนื่องแบบ end-to-end ที่ใช้ Pytorch ซึ่งเกิดภายใน ContinualAI โดยมีเป้าหมายพิเศษในการจัดหาฐานโค้ดโอเพ่นซอร์สที่ใช้ร่วมกันและทำงานร่วมกัน (ได้รับใบอนุญาตจาก MIT) สำหรับการสร้างต้นแบบที่รวดเร็ว การฝึกอบรม และการประเมินซ้ำของอัลกอริธึมการเรียนรู้อย่างต่อเนื่อง
กำลังมองหา พื้นฐานการเรียนรู้อย่างต่อเนื่องอยู่ ใช่ไหม? ในโปรเจ็กต์พี่น้อง CL-Baseline ที่ใช้ Avalanche เราสร้างผลลัพธ์เอกสารน้ำเชื้อที่คุณสามารถใช้ได้โดยตรงใน การทดลองของคุณ !
Avalanche สามารถช่วยนักวิจัยการเรียนรู้อย่างต่อเนื่องได้หลายวิธี:
ห้องสมุดแบ่งออกเป็นสี่โมดูลหลัก:
Avalanche การทดลองครั้งแรกของ ไลบรารีแบบ End-to-end สำหรับการวิจัยและพัฒนาการเรียนรู้อย่างต่อเนื่องที่สามารถทำซ้ำได้ ซึ่งคุณสามารถค้นหาเกณฑ์มาตรฐาน อัลกอริธึม ตัวชี้วัดการประเมินผล และอื่นๆ อีกมากมายได้ในที่เดียวกัน
มาทำมันด้วยกัน ????? การขับขี่ที่ยอดเยี่ยม! -
ตรวจสอบด้านล่างว่าคุณสามารถเริ่มใช้งาน Avalanche ได้อย่างไร! -
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 ))Avalanche เป็นกรอบการทำงานในการพัฒนาอย่างต่อเนื่อง ด้วยการสนับสนุนจากชุมชน ContinualAI และสมาชิกที่กระตือรือร้น เราจึงขยายคุณสมบัติและปรับปรุงการใช้งานอย่างรวดเร็วตามความต้องการของชุมชนการวิจัยของเรา!
ในขณะนี้ Avalanche อยู่ใน รุ่นเบต้า เราสนับสนุน เกณฑ์มาตรฐาน กลยุทธ์ และ ตัวชี้วัด หลายประการ ซึ่งทำให้เราเชื่อว่าเป็นเครื่องมือที่ดีที่สุดสำหรับการวิจัยการเรียนรู้อย่างต่อเนื่องของคุณ! -
คุณสามารถติดตั้ง Avalanche ได้โดยการรัน pip install avalanche-lib
สิ่งนี้จะติดตั้งแพ็คเกจ Avalanche หลัก คุณสามารถติดตั้ง Avalanche พร้อมแพ็คเกจเพิ่มเติมเพื่อเปิดใช้งานฟังก์ชันการทำงานเพิ่มเติมได้
ดูคำแนะนำฉบับสมบูรณ์เพิ่มเติมเกี่ยวกับวิธีการต่างๆ ในการติดตั้ง Avalanche ได้ที่นี่
เรารู้ว่าการเรียนรู้เครื่องมือใหม่อาจเป็นเรื่องยากในตอนแรก นี่คือเหตุผลที่เราทำให้ Avalanche ง่ายที่สุดเท่าที่จะเป็นไปได้ในการเรียนรู้ด้วยชุดแหล่งข้อมูลที่จะช่วยคุณไปตลอดทาง ตัวอย่างเช่น คุณอาจเริ่มต้นด้วยคำแนะนำ 5 นาทีของเราซึ่งจะช่วยให้คุณได้รับข้อมูลพื้นฐานเกี่ยวกับ Avalanche และวิธีใช้ในโครงการวิจัยของคุณ:
เราได้เตรียมตัวอย่างและตัวอย่างชุดใหญ่ไว้ให้คุณแล้ว ซึ่งคุณสามารถเสียบเข้ากับโค้ดของคุณได้โดยตรงและเล่นกับ:
เมื่อทำทั้งสองส่วนนี้เสร็จแล้ว คุณจะรู้สึกได้ถึงพลังพิเศษ ⚡ นี่คือเหตุผลที่เราสร้างบทช่วยสอนเชิงลึกที่จะครอบคลุมทุกแง่มุมของ Avalanche อย่างละเอียด และทำให้คุณเป็นผู้เรียนต่อเนื่องอย่างแท้จริง! ??
หากคุณใช้ Avalanche ในโครงการวิจัยของคุณ โปรดอย่าลืมอ้างอิงรายงาน JMLR-MLOSS ของเรา https://jmlr.org/papers/v24/23-0130.html สิ่งนี้จะช่วยเราทำให้ Avalanche เป็นที่รู้จักมากขึ้นในชุมชนการเรียนรู้ของเครื่อง และกลายเป็นเครื่องมือที่ดีขึ้นสำหรับทุกคนในท้ายที่สุด:
@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}
}
คุณยังสามารถอ้างอิงเอกสารเวิร์กชอป CLVision @ CVPR2021 ก่อนหน้านี้ได้: "Avalanche: ไลบรารีแบบ End-to-End สำหรับการเรียนรู้อย่างต่อเนื่อง"
@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 เป็นโครงการความร่วมมือโอเพ่นซอร์สที่สำคัญของ ContinualAI: องค์กรวิจัยที่ไม่แสวงหากำไรและเป็นชุมชนเปิดที่ใหญ่ที่สุดเกี่ยวกับการเรียนรู้อย่างต่อเนื่องสำหรับ AI
คุณมีคำถาม คุณต้องการรายงานปัญหาหรือเพียงแค่ขอคุณสมบัติใหม่หรือไม่? ตรวจสอบศูนย์คำถามและปัญหา คุณต้องการปรับปรุง Avalanche ด้วยตัวเองหรือไม่? ปฏิบัติตามกฎง่ายๆ เหล่านี้เกี่ยวกับวิธีการมีส่วนร่วม
โครงการ Avalanche ได้รับการดูแลโดยทีมวิจัยที่ทำงานร่วมกัน ContinualAI Lab และใช้กันอย่างแพร่หลายโดยหน่วยของกลุ่มความร่วมมือ ContinualAI Research (CLAIR) ซึ่งเป็นเครือข่ายการวิจัยของผู้มีส่วนได้ส่วนเสียในการเรียนรู้อย่างต่อเนื่องที่สำคัญทั่วโลก
เรามองหาสมาชิกที่ยอดเยี่ยมใหม่ๆ ที่ยินดีเข้าร่วม ContinualAI Lab อยู่เสมอ ดังนั้นโปรดตรวจสอบเว็บไซต์อย่างเป็นทางการของเรา หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับเราและกิจกรรมของเรา หรือติดต่อเรา
เรียนรู้เพิ่มเติมเกี่ยวกับทีม Avalanche และทุกคนที่ทำให้มันยอดเยี่ยม!
