Блоки в майстрі · mila-iqiablocks · GitHub
Визначень у цьому файлі не знайдено.
- Перейдіть до файлу T
- Перейдіть до рядка L
- Перейдіть до визначення R
- Копіювати шлях
| " "Алгоритми навчання." " |
| імпорт журналювання |
| імпортувати itertools |
| з abc імпорту ABCMeta, abstractmethod |
| із колекцій імпортувати OrderedDict |
| з колекцій імпорту Mapping |
| з шести. рухається імпорт зменшити |
| з picklable_itertools. статисти імпорт |
| імпортувати theano |
| з шести імпортних add_metaclass |
| з тензора імпорту |
| з блоків. імпорт графіків ComputationGraph |
| з блоків. ролі імпортувати add_role, ALGORITHM_HYPERPARAMETER, ALGORITHM_BUFFER |
| з блоків. theano_expressions імпорт l2_norm |
| з блоків. імпорт утилів ( |
| dict_subset, pack, shared_floatx, shared_floatx_zeros_matching) |
| реєстратор = реєстрація. getLogger (__name__) |
| def _create_algorithm_buffer_for (param, * args, ** kwargs): |
| buf = shared_floatx_zeros_matching (param, * args, ** kwargs) |
| буф. тег. for_parameter = параметр |
| add_role (buf, ALGORITHM_BUFFER) |
| повернути buf |
| @ add_metaclass (ABCMeta) |
| клас TrainingAlgorithm (об'єкт): |
| " "Базовий клас для навчальних алгоритмів. |
| Об'єкт алгоритму навчання має простий життєвий цикл. |
| Спочатку він ініціалізується, викликаючи метод: meth: `initialize`. |
| На цьому етапі, наприклад, можна скомпілювати функції Theano. |
| Після цього метод: meth: `process_batch` повторюється |
| викликається з пакетом навчальних даних як параметром. |
| " " |
| @ abstractmethod |
| def ініціалізується (self, ** kwargs): |
| " "Ініціалізуйте навчальний алгоритм." " |
| пройти |
| @ abstractmethod |
| def process_batch (self, batch): |
| " "Обробити пакет навчальних даних. |
| Атрибути |
| ---------- |
| партія: дикт |
| Словник пар (назва джерела, дані). |
| " " |
| пройти |
| variable_mismatch_error = " " |
| Блоки намагалися зіставити джерела () навчального набору даних з \ |
| імена змінних Theano (), але зробити це не вдалося. \ |
| Якщо ви хочете тренуватися на підмножині джерел, які надає ваш набір даних, \ |
| передайте аргумент ключового слова `sources` своєму конструктору, використовуйте \ |
| Трансформатор FilterSources, наданий паливом, або передайте on_unused_sources = 'попередження' \ |
| або on_unused_sources = 'ігнорувати' до алгоритму GradientDescent. " " |
| source_missing_error = " " |
| Блоки не знайшли всіх джерел () навчального набору даних \ |
| які відповідають іменам змінних Theano (). " " |
| determinism_error = " "Неможливо вивести список параметрів у фіксованому порядку. |
| Оскільки словники впорядковані (а Python використовує рандомізоване хешування, \ |
| який може змінити порядок ітерацій у тому самому словнику з одного \ |
| інтерпретатора до наступного), Блоки не можуть вивести список параметрів \ |
| зі звичайного словника градієнтів у порядку, що відтворюється \ |
| між сесіями перекладача; будь-ласка, вкажіть параметри \ |
| явно або передавати градієнти як OrderedDict (хоча будьте обережні в \ |
| побудова цього OrderedDict як OrderedDict, створеного шляхом ітерації \ |
| над невпорядкованим ітератором (наприклад, dict) все одно матиме довільний \ |
| і непередбачуваний порядок, який може спричинити проблеми з \ |
| відтворюваність). " " |
| клас UpdatesAlgorithm (TrainingAlgorithm): |
| " "Базовий клас для алгоритмів, які використовують функції Theano з оновленнями. |
| Параметри |
| ---------- |
| оновлень: список кортежів або: class: ` |