narchi 1.3.0

主要特点

• 网络体系结构是用jsonnet format编写的，它提供了有用的特性，如输入 定义重复块的参数和函数。在
• 网络内部张量的形状是自动推导出来的 通过传播输入的形状，因此需要较少的努力和存在 较少出错。在
• 形状的传播是通过符号运算来完成的 很容易理解输入和派生形状之间的关系。在
• 体系结构文件可以引用其他体系结构文件，因此 接近模块化。在
• 包含一个命令行工具，用于验证jsonnet体系结构文件并 创建各自网络体系结构的详细图表。在
• 几个examples 旨在说明支持的不同功能。在
• 包括允许实例化Pythorch模块的基本实现：
  • 实例化只需要jsonnet架构文件。在
  • 不需要为每个新架构编写模块类或转发函数。在
  • 一个支持安装多个示例的基本实现。在
  • 第二个例子支持压缩的1d和2d序列，说明了体系结构文件的独立于实现的性质。在
  在

摘要示例

在这里您可以看到一个示例，它说明了narchi提供的功能。这个例子 是针对在torchvision中实现的resnet18，尽管在头脑中 narchi的潜力在于网络架构的易配置性，而不是 现有架构的重新实现。在

从体系结构文件实例化pytorch模块可以很容易地完成如下操作 跟随。在

fromnarchi.instantiators.pytorchimportStandardModulemodule=StandardModule('resnet.jsonnet',state_dict='resnet18-5c106cde.pth',cfg={'ext_vars':{"num_blocks":[2,2,2,2]}})

创建体系结构图需要一个命令，如下所示。在

下面您可以看到 resnet18的第一个下采样层。在

json中生成架构上一部分的部分 图如下所示。请注意，不包括形状信息， 因为这些都是自动导出的。在

{"_class":"Sequential","_id":"layer2","blocks":[{"_class":"Group","_name":"ResBlock","blocks":[{"_class":"Identity","_id":"ident"},{"_class":"Conv2d","_id":"conv1","bias":false,"dilation":1,"kernel_size":3,"output_size":128,"padding":1,"stride":2},{"_class":"BatchNorm2d","_id":"bn1"},{"_class":"Sequential","_id":"downsample","blocks":[{"_class":"Conv2d","bias":false,"kernel_size":1,"output_size":128,"padding":0,"stride":2},{"_class":"BatchNorm2d"}]},{"...":"..."}],"graph":["ident -> conv1 -> bn1 -> relu1 -> conv2 -> bn2 -> add -> relu2","ident -> downsample -> add"],"input":"ident","output":"relu2"}]}