运行pytorch实验的实验框架
firelab的Python项目详细描述
##FireLab(0.0.10版) ###关于 用pytorch运行dl实验的框架。 提供以下有用的内容: -并行超参数优化 -允许开始/继续使用yml配置文件中的简单命令进行实验 -更易于保存检查点、编写日志和可视化培训 -用于HP调整和使用Pythorch的有用实用程序(请在utils.py中查找它们)
###安装 ` pip install firelab `
###未来计划 []在后台程序中运行。 []执行firelab ls命令 []更容易分析(通过上下文?) []在https://github.com/vpj/lab中有一些中间功能。 []将提交哈希添加到摘要 []为每个实验创建新的分支/提交? []更多有意义的错误消息。 []模型是否在培训结束后(当我们不使用HPO时)发布GPU? []正确处理HPO中的错误:我们是否应该在第一个异常时失败?我们应该在进程池中尝试/catch result.get()吗? [X]让Trainer在没有config.firelab的情况下运行,这将使从python运行Trainer成为可能 []是否继续工作?
###有用的命令: -FireLab LS-列出所有正在运行的实验 -firelab开始/firelab停止/firelab暂停/firelab继续-开始/停止/暂停/继续实验
###有用的类 -basetrainer-控制实验:加载数据、运行/停止训练、执行日志记录等
很酷的员工FireLab可以做到: -减少您为训练/运行实验编写的样板代码的数量 -将所有实验参数和超参数保存在表达式配置文件中 -使用tensorboard到[tensorboardx](https://github.com/lanpa/tensorboard-pytorch)可视化度量 -轻松保存检查点和日志。 -默认情况下为您修复随机种子(在numpy、pytorch和random中)。注意:如果您将其他lib与其他随机生成器一起使用,您应该自己修复随机种子(建议从hyperparams获取)
###用法: ####配置 除了您自己的配置之外,firelab还添加了内部staff,您可以将其用作或更改为超参数: -实验名称 -随机种子
实验名称决定配置的位置。 实验名称不能重复。
###待办事项 -交互式配置生成器 -克隆实验/配置 -添加带有多个培训师的示例