論文の概要: Ivy: Templated Deep Learning for Inter-Framework Portability

• arxiv url: http://arxiv.org/abs/2102.02886v1
• Date: Thu, 4 Feb 2021 20:58:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 13:45:35.306405
• Title: Ivy: Templated Deep Learning for Inter-Framework Portability
• Title（参考訳）: Ivy: フレームワーク間のポータビリティのためのテンプレート付きディープラーニング
• Authors: Daniel Lenton, Fabio Pardo, Fabian Falck, Stephen James, Ronald Clark
• Abstract要約: Ivyは、既存のDLフレームワークを抽象化するテンプレート付きディープラーニング(DL)フレームワークである。 Ivyはフレームワークテンプレートを使うことで、高レベルなフレームワークに依存しない機能を実装できる。
• 参考スコア（独自算出の注目度）: 20.716399500770407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Ivy, a templated Deep Learning (DL) framework which abstracts existing DL frameworks such that their core functions all exhibit consistent call signatures, syntax and input-output behaviour. Ivy allows high-level framework-agnostic functions to be implemented through the use of framework templates. The framework templates act as placeholders for the specific framework at development time, which are then determined at runtime. The portability of Ivy functions enables their use in projects of any supported framework. Ivy currently supports TensorFlow, PyTorch, MXNet, Jax and NumPy. Alongside Ivy, we release four pure-Ivy libraries for mechanics, 3D vision, robotics, and differentiable environments. Through our evaluations, we show that Ivy can significantly reduce lines of code with a runtime overhead of less than 1% in most cases. We welcome developers to join the Ivy community by writing their own functions, layers and libraries in Ivy, maximizing their audience and helping to accelerate DL research through the creation of lifelong inter-framework codebases. More information can be found at ivy-dl.org.
• Abstract（参考訳）: Ivyは、既存のDLフレームワークを抽象化し、コア関数がすべて一貫したコールシグネチャ、構文、入出力動作を示すように、テンプレート化されたディープラーニング(DL)フレームワークである。 Ivyはフレームワークテンプレートを使うことで、高レベルなフレームワークに依存しない機能を実装できる。 フレームワークテンプレートは、開発時に特定のフレームワークのプレースホルダとして動作し、実行時に決定される。 Ivy関数の移植性は、サポート対象のフレームワークのプロジェクトでの使用を可能にする。 Ivyは現在、TensorFlow、PyTorch、MXNet、Jax、NumPyをサポートしている。 Ivyとともに、メカニック、3Dビジョン、ロボティクス、微分可能な環境のための4つの純粋なIvyライブラリをリリースします。 評価を通じて、Ivyは実行時のオーバーヘッドがほとんどの場合1%未満のコード行を大幅に削減できることを示しています。 Ivyコミュニティには、独自の機能、レイヤ、ライブラリをIvyに記述し、オーディエンスを最大化し、生涯にわたるフレームワーク間コードベースの作成を通じてDL研究を加速させることで、開発者が参加することを歓迎します。 詳細はivy-dl.orgを参照。

関連論文リスト

• RepoGraph: Enhancing AI Software Engineering with Repository-level Code Graph [63.87660059104077]
  RepoGraphは、現代のAIソフトウェアエンジニアリングソリューションのためのリポジトリレベルの構造を管理するプラグインモジュールである。 RepoGraphはすべてのシステムのパフォーマンスを大幅に向上させ、オープンソースフレームワークの間で新たな最先端技術を生み出している。
  論文  参考訳（メタデータ） (2024-10-03T05:45:26Z)
• ULLME: A Unified Framework for Large Language Model Embeddings with Generation-Augmented Learning [72.90823351726374]
  我々は,LLM間の双方向の注目を可能にする,柔軟でプラグアンドプレイな実装であるLULME(Unified framework for Large Language Model Embedding)を紹介した。 また,テキスト埋め込みタスクのLLMを向上する新しい微調整手法であるGRL(Generation-augmented Representation Learning)を提案する。 フレームワークの柔軟性と有効性を示すために、異なるバックボーンアーキテクチャを持つULLMEから事前訓練された3つのモデルをリリースする。
  論文  参考訳（メタデータ） (2024-08-06T18:53:54Z)
• KerasCV and KerasNLP: Vision and Language Power-Ups [9.395199188271254]
  KerasCVとKerasNLPはコンピュータビジョンと自然言語処理のためのKeras APIの拡張である。 これらのドメインパッケージは、使いやすさとパフォーマンスを重視した高速な実験を可能にするように設計されている。 ライブラリは完全にオープンソース(Apache 2.0ライセンス)で、GitHubから入手できる。
  論文  参考訳（メタデータ） (2024-05-30T16:58:34Z)
• LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
  LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。 LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。 LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T17:55:02Z)
• InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback [50.725076393314964]
  標準的な強化学習環境として,インタラクティブコーディングの軽量でフレキシブルで使いやすいフレームワークであるInterCodeを紹介した。 私たちのフレームワークは、言語とプラットフォームに依存しない、自己完結型のDocker環境を使用して、安全で再現可能な実行を提供します。 我々は、異なるプロンプト戦略で構成された複数の最先端LLMを評価することにより、InterCodeの生存性をテストベッドとして示す。
  論文  参考訳（メタデータ） (2023-06-26T17:59:50Z)
• 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)
• Lirot.ai: A Novel Platform for Crowd-Sourcing Retinal Image Segmentations [4.946245402978496]
  画像セグメンテーションの促進とクラウドソーシングのための新しいプラットフォームであるLirot.aiを紹介した。 Lirot.aiは3つのコンポーネントで構成されている。iPadOSクライアントアプリケーションはLirot.ai-app、バックエンドサーバはLirot.ai-server、python APIはLirot.ai-APIである。 本稿では,網膜底部データセットの作成におけるLirot.aiの使用法について紹介する。
  論文  参考訳（メタデータ） (2022-08-22T07:19:46Z)
• Torchhd: An Open Source Python Library to Support Research on Hyperdimensional Computing and Vector Symbolic Architectures [99.70485761868193]
  我々はHD/VSA用の高性能オープンソースPythonライブラリであるTorchhdを紹介する。 Torchhdは、HD/VSAをよりアクセスしやすくし、さらなる研究とアプリケーション開発のための効率的な基盤となることを目指している。
  論文  参考訳（メタデータ） (2022-05-18T20:34:25Z)
• EagerPy: Writing Code That Works Natively with PyTorch, TensorFlow, JAX, and NumPy [33.049321142291326]
  EagerPyはPythonフレームワークで、PyTorch、JAX、NumPyで自動的に動作するコードを書くことができる。 EagerPyはまた、あらゆるフレームワークに包括的な型アノテーションとメソッドチェインの一貫したサポートを提供する。
  論文  参考訳（メタデータ） (2020-08-10T14:57:41Z)

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。