NLP的强深度学习基线算法
mead-baseline的Python项目详细描述
米德
MEAD是一个可复制的深度学习研究和快速模型库 NLP开发。它提供了易于扩展的抽象和 实现数据加载,模型开发,培训,实验跟踪和输出到生产。在
它还为各种NLP任务提供高性能的深度学习模型的实现,针对这些新开发的模型 可以比较。深度学习实验很难重现,米德 提供跟踪它们的功能。目的是让研究人员 专注于模型开发,将重复的任务委托给库。在
安装
Pip
基线可以作为Python包安装。在
pip install mead-baseline
如果您使用TensorFlow2作为您的深度学习后端,您需要
tensorflow_addons
已安装或直接安装:
pip install mead-baseline[tf2]
tf2.1用户的注意:如果您使用的是tf2.1,您不能仅仅使用pip install tensorflow_addons
(或上面的命令)--它将拉取一个依赖于更新版本的版本,该版本具有中断性的更改。如果您运行的是tf2.1,请使用附加组件的固定版本:pip install tensorflow_addons==0.9.1
从存储库
如果你想安装这个故事的复制品:
cd layers
pip install -e .
cd ../
pip install -e .
这首先在本地安装mead-layers
即8英里,一个包含PyTorch和TensorFlow原语的小层API,然后mead-baseline
Dockerhub
我们通过这个项目使用Github CI/CD自动剪切TensorFlow(1.x和2.x)和PyTorch的版本:
https://github.com/mead-ml/mead-gpu
最新的dockerhub图片链接可以在那里找到
版本说明
深度学习框架发展迅速,变化并不总是如此 向后兼容。我们建议使用最新版本的框架。我们目前运行的TF版本介于1.13和2.3之间,我们建议至少使用tf2.1。 Pythorch后端至少需要1.3.0版,但我们建议使用更新的版本。在
引用
如果您使用图书馆,请引用以下论文:
^{pr2}$米德被选为2018年NeurIPS MLOSS研讨会的聚光灯海报。OpenReview link
- 项目
标签: