論文の概要: fastai: A Layered API for Deep Learning

• arxiv url: http://arxiv.org/abs/2002.04688v2
• Date: Sun, 16 Feb 2020 18:17:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 01:02:20.524810
• Title: fastai: A Layered API for Deep Learning
• Title（参考訳）: fastai: ディープラーニングのためのレイヤAPI
• Authors: Jeremy Howard and Sylvain Gugger
• Abstract要約: fastaiは、実践者に高度なコンポーネントを提供するディープラーニングライブラリである。 これは研究者に、新しいアプローチを構築するために混在し、マッチできる低レベルのコンポーネントを提供する。
• 参考スコア（独自算出の注目度）: 1.7223564681760164
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: fastai is a deep learning library which provides practitioners with high-level components that can quickly and easily provide state-of-the-art results in standard deep learning domains, and provides researchers with low-level components that can be mixed and matched to build new approaches. It aims to do both things without substantial compromises in ease of use, flexibility, or performance. This is possible thanks to a carefully layered architecture, which expresses common underlying patterns of many deep learning and data processing techniques in terms of decoupled abstractions. These abstractions can be expressed concisely and clearly by leveraging the dynamism of the underlying Python language and the flexibility of the PyTorch library. fastai includes: a new type dispatch system for Python along with a semantic type hierarchy for tensors; a GPU-optimized computer vision library which can be extended in pure Python; an optimizer which refactors out the common functionality of modern optimizers into two basic pieces, allowing optimization algorithms to be implemented in 4-5 lines of code; a novel 2-way callback system that can access any part of the data, model, or optimizer and change it at any point during training; a new data block API; and much more. We have used this library to successfully create a complete deep learning course, which we were able to write more quickly than using previous approaches, and the code was more clear. The library is already in wide use in research, industry, and teaching. NB: This paper covers fastai v2, which is currently in pre-release at http://dev.fast.ai/
• Abstract（参考訳）: fastaiは、標準的なディープラーニングドメインで最先端の成果を迅速かつ容易に提供できるハイレベルなコンポーネントを実践者に提供し、新しいアプローチを構築するために混合およびマッチ可能な低レベルのコンポーネントを研究者に提供する、ディープラーニングライブラリである。 使いやすさ、柔軟性、パフォーマンスの重大な妥協なしに、両方のことをすることを目指している。 このアーキテクチャは、分離された抽象化の観点から、多くのディープラーニングとデータ処理技術の共通した基盤となるパターンを表現している。 これらの抽象化は、Python言語のダイナミズムとPyTorchライブラリの柔軟性を活用することで、簡潔かつ明確に表現することができる。 fastai includes: a new type dispatch system for Python along with a semantic type hierarchy for tensors; a GPU-optimized computer vision library which can be extended in pure Python; an optimizer which refactors out the common functionality of modern optimizers into two basic pieces, allowing optimization algorithms to be implemented in 4-5 lines of code; a novel 2-way callback system that can access any part of the data, model, or optimizer and change it at any point during training; a new data block API; and much more. 私たちはこのライブラリを使用して、完全なディープラーニングコースの作成に成功しました。 この図書館はすでに研究、産業、教育に広く利用されている。 NB: この論文はfastai v2をカバーしています。

関連論文リスト

• SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
  SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。 それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。 私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
  論文  参考訳（メタデータ） (2023-04-21T10:00:22Z)
• pyGSL: A Graph Structure Learning Toolkit [14.000763778781547]
  pyGSLは、最先端のグラフ構造学習モデルの効率的な実装を提供するPythonライブラリである。 pyGSLはGPUフレンドリーな方法で書かれており、より大きなネットワークタスクにスケールすることができる。
  論文  参考訳（メタデータ） (2022-11-07T14:23:10Z)
• CodeRetriever: Unimodal and Bimodal Contrastive Learning [128.06072658302165]
  関数レベルのコードセマンティック表現を訓練するために,一様および二様のコントラスト学習を組み合わせたCodeRetrieverモデルを提案する。 ノンモーダルなコントラスト学習のために、文書と関数名に基づいてポジティブなコードペアを構築するためのセマンティックガイド付き手法を設計する。 バイモーダルなコントラスト学習では、コードのドキュメンテーションとインラインコメントを活用して、テキストコードペアを構築します。
  論文  参考訳（メタデータ） (2022-01-26T10:54:30Z)
• Solo-learn: A Library of Self-supervised Methods for Visual Representation Learning [83.02597612195966]
  solo-learnは視覚表現学習のための自己指導型のメソッドのライブラリである。 Pythonで実装され、PytorchとPytorch Lightningを使用して、このライブラリは研究と業界のニーズの両方に適合する。
  論文  参考訳（メタデータ） (2021-08-03T22:19:55Z)
• Small-Text: Active Learning for Text Classification in Python [23.87081733039124]
  small-textはPython用の使いやすいアクティブラーニングライブラリである。 シングルラベルとマルチラベルのテキスト分類のためのプールベースのアクティブラーニングを提供する。
  論文  参考訳（メタデータ） (2021-07-21T19:23:56Z)
• TensorX: Extensible API for Neural Network Model Design and Deployment [0.0]
  TensorFlowXは、計算における複雑なニューラルネットワークモデルのプロトタイピング、設計、デプロイのためのPythonライブラリである。 使いやすさ、パフォーマンス、APIの一貫性に特に重点を置いています。
  論文  参考訳（メタデータ） (2020-12-29T00:15:38Z)
• BOML: A Modularized Bilevel Optimization Library in Python for Meta Learning [52.90643948602659]
  BOMLはモジュール化された最適化ライブラリで、いくつかのメタ学習アルゴリズムを共通の双方向最適化フレームワークに統合する。 さまざまなイテレーションモジュールとともに階層的な最適化パイプラインを提供し、メタ学習メソッドの主流カテゴリを解決するために使用できる。
  論文  参考訳（メタデータ） (2020-09-28T14:21:55Z)
• Kernel methods library for pattern analysis and machine learning in python [0.0]
  kernelmethodsライブラリは、ドメインに依存しない方法で、python MLエコシステムにおける重要な空白を埋めます。 このライブラリは、カーネルベースの操作を効率的にするための、よく定義された多くのクラスを提供する。
  論文  参考訳（メタデータ） (2020-05-27T16:44:42Z)
• Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
  本稿では,構造化予測ライブラリTorch-Structを紹介する。 Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
  論文  参考訳（メタデータ） (2020-02-03T16:43:02Z)
• OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
  本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。 OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
  論文  参考訳（メタデータ） (2020-01-28T15:46:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。