推特加赞网站 --twitter涨粉丝平台
红豆 鱼羊 丽翔 凹非寺
物理位 报导 | 社会公众号 QbitAI
搞机器学习的小伙伴们,不免要在各式各样统计数据K568,给AI数学模型跑分。
那时,Papers with Code(那个以学术论文搜标识符的宝物) 项目组,面世了手动跑分服务项目,名为sotabench,以走遍大部份开放源码数学模型为核心理念。
有了它,不必上载标识符,如果相连GitHub工程项目,就有使用者端GPU帮你跑分;每天递交了捷伊commit,控制系统又会离线跑分。除了当今世界榜单,能检视一呼百应强敌的战绩。
除全力支持数十家非主流统计数据集,还全力支持使用者上载他们的统计数据集。
也能看一看,他们的学术论文结论,究竟可信赖不可信赖。
比如,fork呵呵Facebook的FixRes那个工程项目,实用性呵呵评估结果文档:
接着全屏关连,让Sotabench的GPU跑呵呵ImageNet的影像进行分类试验。
就能获得这种的结论:
Top-1准确率,Top-5准确率,跟学术论文的结论有何差距(见注),运行速度,全球排名,全部一目了然。
注:ε-REPR,结论与学术论文结论差距在0.3%以内时打勾,差距≥0.3%且比学术论文结论差显示为红叉,比学术论文结论好显示为勾+
那个免费的跑分宝物,一天,便受到热烈欢迎:twitter点赞600+,Reddit热度270+。
网友纷纷表示:这对开发者社区来说太有用了!
那么,先来看呵呵sotabench的功能和用法吧。
用法简单,海纳百川
项目组说,sotabench就是Papers with Code的双胞胎姐妹:
Papers with Code大家很熟悉了,它检视的是学术论文报告的跑分。能用来寻找高分数学模型对应的标识符,是个造福人类的工具。
与之互补,sotabench检视的是开放源码工程项目,标识符实际运行的结论。能试验他们的数学模型,也能验证别家的数学模型,是不是真有学术论文说的那么强。
它全力支持跟其他数学模型的对比,全力支持查看速度和准确率的取舍情况。
那么,sotabench怎么用?简单,如果两步。
第一步,先在本地评估结果呵呵数学模型:
在GitHub工程项目的根目录里,创建一个sotabench.py文档。里面能包含:加载、处理统计数据集和从中得出预测所需的逻辑。每递交一个commit,那个文档都会运行。接着,用个开放源码的基准试验库来跑你的数学模型。那个库能是sotabench-eval,那个库不问框架,里面有ImageNet等等统计数据集;也能是torchbench,这是个PyTorch库,和PyTorch统计数据集加载器搭配食用更简单。
一旦成功跑起来,就能进入下一步。
第二步,相连GitHub工程项目,sotabench会帮你跑:
点击那个按钮,连到你的GitHub账号,各式各样工程项目就显现了。选择你要试验的那个工程项目来相连。连好之后,控制系统会手动试验你的master,接着记录官方结论,一切都是跑在使用者端GPU上。试验环境是根据requirement.txt文档设置的,所以要把那个文档加进repo,让控制系统捕捉到你用的依赖项。
从此,每当你递交一次commit,控制系统都会帮你重新跑分,来确保分数是最捷伊,也确保更捷伊数学模型依然在工作。
这种一来,数学模型出了bug,也能及时知晓。
如果要跑他们家的数学模型,fork到他们那里就好啦。
目前,sotabench已经全力支持了一些非主流统计数据集:
列表还在持续更新中,项目组也在盛情邀请一呼百应豪杰,一同充实benchmark大家庭。
既全力支持创建一个捷伊benchmark,也全力支持为现有benchmark添加捷伊实现。
你能给sotabench-eval或torchbench工程项目递交PR,也能直接创建捷伊Python包。
一旦准备就绪,就在sotabench官网的论坛上,新话题,项目组会把你的benchmark加进去的:
好评如潮
这种的一项服务项目面世,网友们纷纷点赞,好评如潮,twitter点赞600+。
有网友表示:
太棒了!对刚入门的新手来说,统计数据集获取、预处理和评估结果的手动化和标准化很有用。通过分析不同数学模型及其超参数结论,来评估结果这些数学模型,本身是挺困难的一件事,你得在各式各样学术论文中查阅大量的非结构化统计数据。有了那个,这件事就轻松多了。(部分意译)
许多网友对那个工程项目进行了友好的探讨及建议,而开发人员也在线积极回应。
比如这位网友建议:能在每天递交的时候报告数学模型的超参数吗?
作者很快回复说:英雄所见略同。下次更新就加上!
并且,他们还考虑在将来的更新中,让使用者把链接添加到生成数学模型的训练参数中。
传送门
sotabench官网:
https://sotabench.com/
基准试验库通用版:
https://github.com/paperswithcode/sotabench-eval
基准试验库PyTorch版:
https://github.com/paperswithcode/torchbench
— 完 —
诚挚招聘
物理位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在物理位社会公众号(QbitAI)对话界面,回复招聘两个字。
物理位 QbitAI · 头条号签约作者
վᴗ ի 追踪AI技术和产品新动态