大型机器和深入学习在Pythorch。
pyblaze的Python项目详细描述
火烧
PyBlaze是一个用于大型机器和深入学习的高级库 PyTorch。它被设计为在保留 Pythorch创建任何深度学习模型的灵活性。在
快速启动
大量教程可在official documentation中找到。 最基本的教程构建一个 classifier for CIFAR10。在
安装
PyBlaze在PyPi上可用，只需按如下方式安装：
pip install pyblaze
图书馆设计
PyBlaze围绕引擎的概念展开。引擎是一个强大的抽象 将模型定义与优化其参数所需的算法相结合 一些数据。PyBlaze提供的引擎专注于泛化：而引擎封装 在优化算法中，用户必须明确定义优化目标（通常是 损失函数）。在
然而，引擎远不止实现优化算法。具体来说，他们进一步 提供以下功能：
- 在
Evaluation：在培训期间，可以使用验证数据来评估泛化 训练模型的性能。此外，可以计算任意度量。在
在 - 在
Callbacks：在培训和模型评估期间，回调充当在特定 过程中的事件。这使得我们可以很容易地使用一些跟踪框架，执行 提前停止，或在训练过程中动态调整参数。定制 回调可以很容易地创建。在
在 - 在
GPU支持：在所有可用的GPU上自动执行培训和模型评估。 同样的代码在CPU上工作在GPU上。。。也适用于多个gpu。在
在
可用发动机
发动机目前用于以下培训程序：
- 在
{{cd1>也是最受监控的引擎 无监督学习。因此，它可以适应多种不同的问题：分类， 回归，（变分）自动编码器，…，仅取决于损失。为了简化 初始化（由于配置需要切换一些设置），存在一些专门的 MLE发动机。目前，只有
在pyblaze.nn.AutoencoderEngine。在 - 在
在pyblaze.nn.WGANEngine：这个引擎是专门为训练Wasserstein GANs而设计的。 由于制作人和评论家的独立培训，本课程是必修课。在
对于大多数常见问题，实现自定义引擎很少是必需的。但是，工作时
对于高度定制的机器学习模型，这可能是个好主意。通常，这就足够了
实现train_batch和eval_batch方法来指定如何执行培训和
分别对单批数据进行评估。查阅
pyblaze.nn.Engine阅读所有可重写的方法。在
许可证
PyBlaze是在MIT License下授权的。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
