一个Pythorch库,用于对深度度量学习进行基准测试。它很强大。
powerful-benchmarker的Python项目详细描述
强大的标杆 在
文档
Google Colab示例
请参阅examples folder查看显示此库功能的笔记本。在
度量学习现实检查
有关ECCV 2020 paper,请参见supplementary material。在
基准结果:
这个图书馆的好处
- 高度可配置:
- Yaml files用于有组织的配置
- 一个powerful command line syntax,允许您合并、重写、交换、应用和删除配置选项。在
- 可定制:
- 对自己的损失、矿工、数据集等进行基准测试with a simple function call。在
- 简单的超参数优化:
- Append the ~BAYESIAN~ flag到要优化的超参数的名称。在
- 广泛的日志记录:
- 在tensorboard, CSV and SQLite format中查看实验数据。在
- 可复制:
- 配置文件与每个实验一起保存,并且是easily reproduced。在
- 可跟踪更改:
- Keep track of changes到实验的配置。在
安装
pip install powerful-benchmarker
引用基准结果
如果您想引用基准结果,请引用本文:
^{pr2}$引用代码
如果您想引用功能强大的基准测试代码,可以使用以下bibtex:
@misc{Musgrave2019, author = {Musgrave, Kevin and Lim, Ser-Nam and Belongie, Serge}, title = {Powerful Benchmarker}, year = {2019}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/KevinMusgrave/powerful-benchmarker}}, }
致谢
感谢Facebook人工智能的林先生,以及我的研究顾问,谢尔盖·贝隆吉教授。这个项目始于我在Facebook人工智能的实习期间,在那里我收到了来自sernam及其计算机视觉和机器学习工程师和研究科学家团队的宝贵反馈。在
- 项目
标签: