English | 简体中文

介绍

lessdl是Less Deep Learning Toolkit的缩写，基于PyTorch，旨在用极简的接口构建神经网络和训练，能方便地复用模型，以及修改训练流程的各个环节，主要用于复现经典模型和进行一些实验。

关键接口

Data

不同任务的数据格式和处理方法都不相同，如果对数据进行抽象处理的话，会使整个代码变得极其复杂，lessdl没有针对数据抽象单独的类，而是复用PyTorch的Dataset，只要求返回的batch数据是dict格式，例如

batch = {
    'src': src_seq,
    'src_size': src_size, 
    'tgt': tgt_seq
}

在lessdl/data中提供了一些常用的数据处理类，可以方便地复用，比如TranslationDataset，根据两种语言的文本文件，构建一个Dataset。

Model

Model的接口是forward函数，表示模型的前向计算，函数的参数可以是batch的key，或者是batch，输出也要求是一个dict，比如

def forward(self, src, src_size, tgt):
    # do something 
    output_logits = calc_output_logits()
    return {
        'logits': output_logits,
    }

Loss

Loss的接口是数据的一个batch和模型的前向计算的输出，输出是dict，要求有key为loss，便于后面进行梯度更新 比如

def forward(self, batch, out):
    return {
        'loss': loss_calc(batch, out),
    }

Optimizer

使用PyTorch的Optimizer，进行简单的包装，可以根据参数str构建需要的optimizer

Trainer

Trainer是主要的类，包括构建数据集、Model、Loss、Optimizer、callbacks。callbacks是训练过程中使用的，用于统计每一步训练的结果、保存断点、模型评估、earlystopping等操作。

训练的流程如下:

def train(...):
    prepare_callbacks()
    restore_training_if_necessary()
    for e in training_epochs:
        call_callbacks_epoch_begin()
        for batch in dataset:
            call_callbacks_batch_begin()
            model_out = forward_model(batch)  # 根据batch，调用Model的forward函数
            loss = calc_loss(model_out, batch)
            gradient_update_step()  # 进行优化
            call_callbacks_batch_end()  # 统计结果、保存断点、调整学习率等
        call_callbacks_epoch_end()    
        evaluate_if_necessary()

通过修改trainer，可以方便地修改数据、模型、以及训练的每个环节

Examples

Machine Translation

Models

• Transformer
  Attention Is All You Need

Results
BLEU scores on IWSLT2014:

Model	de -> en	en -> de
Transformer	33.27	27.72
Tied Transformers	35.10	29.07
fairseq	34.54	28.61
Ours	34.36	28.33

Here are training details

Image Classification

Models

• AlexNet
  ImageNet Classification with Deep Convolutional Neural Networks
• DenseNet
  Densely Connected Convolutional Networks
• VGG
  Very Deep Convolutional Networks for Large-Scale Image Recognition
• ResNet
  Deep Residual Learning for Image Recognition

Results
Top 1 and top 5 accuracy of validation on ImageNet ILSVRC2012:

Model	Acc@1	Acc@5	Epochs	Learning Rate
AlexNet	56.272	78.982	90	0.01
DenseNet161	78.020	94.042	90	0.1
VGG19	72.269	90.940	90	0.01
VGG19_bn	74.251	92.160	90	0.1
ResNet18	69.753	89.138	90	0.1
ResNet34	73.148	91.350	90	0.1
ResNet50	75.802	92.820	90	0.1
ResNet101	77.386	93.664	90	0.1
ResNet152	77.989	93.878	90	0.1

Here are training details

NeRF

Generated example

For more details, please refer to the implementation.

Reference

• fairseq
• AllenNLP
• Keras