Il s'agit de l'application Linux « Learn to Learn in TensorFlow », dont la dernière version est téléchargeable sous le nom learning-to-learnsourcecode.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne gratuitement cette application nommée Learning to Learn in TensorFlow avec OnWorks.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez l'émulateur en ligne OnWorks Linux ou Windows en ligne ou l'émulateur en ligne MACOS à partir de ce site Web.
- 5. Depuis le système d'exploitation OnWorks Linux que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application, installez-la et exécutez-la.
CAPTURES D'ÉCRAN:
Apprendre à apprendre avec TensorFlow
DESCRIPTION:
Learning to Learn, créé par Google DeepMind, est un framework expérimental qui implémente le méta-apprentissage : il entraîne les réseaux de neurones à apprendre eux-mêmes des stratégies d'optimisation plutôt que de s'appuyer sur des algorithmes conçus manuellement comme Adam ou SGD. Le référentiel fournit du code pour l'entraînement et l'évaluation d'optimiseurs appris, capables de généraliser à différents types de problèmes, tels que les fonctions quadratiques et les tâches de classification d'images (MNIST et CIFAR-10). Grâce à TensorFlow, il définit un modèle de méta-optimiseur qui apprend en observant et en s'adaptant aux trajectoires d'optimisation d'autres modèles. Le projet permet aux utilisateurs de comparer les performances des optimiseurs traditionnels et de l'optimiseur appris (L2L) sur différents benchmarks, démontrant ainsi comment les stratégies d'optimisation peuvent être apprises par l'expérience. La conception prend en charge les problèmes à variable unique et à grande dimension, et inclut des outils permettant d'évaluer les performances d'un optimiseur appris sur des tâches non vues.
Comment ça marche
- Entraîne les réseaux neuronaux à apprendre des stratégies d'optimisation grâce au méta-apprentissage
- Prend en charge plusieurs problèmes de référence (quadratique, MNIST, CIFAR-10)
- Inclut des scripts de formation et d'évaluation avec des paramètres configurables
- Permet une intégration facile de nouveaux problèmes d'optimisation via TensorFlow
- Fournit un optimiseur appris (L2L) et des comparaisons de base avec Adam
- Suivi et sauvegarde des performances de l'optimiseur à travers les époques de formation
Langage de programmation
Python
Catégories
Cette application peut également être téléchargée depuis https://sourceforge.net/projects/learn-2learn-tensorflow.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.