l2p pytorch

L2P PyTorch 实现

该存储库包含用于出色的持续学习方法 L2P 的 PyTorch 实现代码，
王子峰，等。 “学习促进持续学习。” CVPR。 2022 年。

官方的 Jax 实现在这里。

环境

我使用和测试的系统

• Ubuntu 20.04.4 LTS
• 泥浆 21.08.1
• NVIDIA GeForce RTX 3090
• Python 3.8

用法

首先，将存储库克隆到本地：

 git clone https://github.com/JH-LEE-KR/l2p-pytorch
cd l2p-pytorch

然后，安装以下软件包：

 pytorch==1.12.1
torchvision==0.13.1
timm==0.6.7
pillow==9.2.0
matplotlib==3.5.3

这些软件包可以通过以下方式轻松安装

 pip install -r requirements.txt

数据准备

如果您已有 CIFAR-100 或 5-Datasets（MNIST、Fashion-MNIST、NotMNIST、CIFAR10、SVHN），请将数据集路径传递给--data-path 。

数据集尚未准备好，请更改datasets.py中的下载参数，如下所示

CIFAR-100

 datasets.CIFAR100(download=True)

5-数据集

 datasets.CIFAR10(download=True)
MNIST_RGB(download=True)
FashionMNIST(download=True)
NotMNIST(download=True)
SVHN(download=True)

训练

通过命令行训练模型：

单节点单 GPU

 python -m torch.distributed.launch 
        --nproc_per_node=1 
        --use_env main.py 
        <cifar100_l2p or five_datasets_l2p> 
        --model vit_base_patch16_224 
        --batch-size 16 
        --data-path /local_datasets/ 
        --output_dir ./output 

单节点多 GPU

 python -m torch.distributed.launch 
        --nproc_per_node=<Num GPUs> 
        --use_env main.py 
        <cifar100_l2p or five_datasets_l2p> 
        --model vit_base_patch16_224 
        --batch-size 16 
        --data-path /local_datasets/ 
        --output_dir ./output 

通过正确更改train_cifar100_l2p.sh或train_five_datasets.sh上的选项，也可以在 Slurm 系统中使用。

多节点列车

可以通过 Slurm 进行分布式培训并提交：

 pip install submitit

要在 2 个节点（每个节点有 4 个 GPU）上训练模型：

 python run_with_submitit.py <cifar100_l2p or five_datasets_l2p> --shared_folder <Absolute Path of shared folder for all nodes>

共享文件夹的绝对路径必须可从所有节点访问。
根据您的环境，您可以选择使用NCLL_SOCKET_IFNAME=<Your own IP interface to use for communication> 。

评估

要评估经过训练的模型：

 python -m torch.distributed.launch --nproc_per_node=1 --use_env main.py <cifar100_l2p or five_datasets_l2p> --eval

结果

在单个 GPU 上的测试结果。

分体式-CIFAR100

姓名	账户@1	遗忘
Pytorch-实现	83.77	6.63
重现官方实施	82.59	7.88
论文结果	83.83	7.63

5-数据集

姓名	账户@1	遗忘
Pytorch-实现	80.22	3.81
重现官方实施	79.68	3.71
论文结果	81.14	4.64

以下是测试中使用的指标及其相应含义：

公制	描述
账户@1	直到最后一个任务的平均评估准确率
遗忘	直到最后一个任务的平均遗忘率

执照

该存储库是根据 Apache 2.0 许可证发布的，如 LICENSE 文件中所示。

引用

 @inproceedings{wang2022learning,
  title={Learning to prompt for continual learning},
  author={Wang, Zifeng and Zhang, Zizhao and Lee, Chen-Yu and Zhang, Han and Sun, Ruoxi and Ren, Xiaoqi and Su, Guolong and Perot, Vincent and Dy, Jennifer and Pfister, Tomas},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={139--149},
  year={2022}
}