Facebook 发表了一篇学术论文和博客，详细介绍基于Lua的Torchnet项目。这是一个以深度学习为中心的新的开源项目，以之前开源的Torch库为基础构建。
在一次采访中，Facebook 人工智能研究实验室（FAIR）的Laurens van der Maaten指出，它可以用于类似图像识别、自然语言处理这样的工作，其方法和面向Theano框架的Blocks和Fuel Python 库类似。他还指出：
举例来说，它让完全隐藏 I/O[输入 / 输出] 开销变得非常简单，如果想要训练一个实际的大规模深度学习系统，那么这是许多人都需要的东西。
据报道，Torchnet 提供的抽象不限于 Torch，也可以用于 Caffe 和 TensorFlow，因为 Torchnet 对底层学习框架的限制很少。
据报道，基于Torch-7的 Torchnet 提供了可重用的抽象和样板逻辑（围绕异步数据加载、机器学习多 GPU 计算等诸如此类的工作）。Torch 7 使用 Lua 构建，用于在 CPU 上使用OpenMP/SSE以及通过CUDA体系结构在 GPU 上运行代数运算。据 FAIR 介绍，Torch 7 是深度机器学习的基本框架之一。FAIR 打算将 Torchnet 打造成一个社区驱动的、基于插件的平台。对于 Torchnet 项目的动机和愿景，FAIR 指出：
开源的 Torch 库已经有了一个非常活跃的开发者社区，创建出了用于优化、“流形学习（manifold learning）”、度量学习、神经网络等的程序包。Torchnet 以此为基础构建，而且被设计成了一个研究社区可以做贡献的平台，主要是通过实现机器学习实验或工具的插件……按照我们的设想，Torchnet 会成为一个社区所有的平台，在 Torchnet 核心实现完成之后，它会使用和 Torch 一样的方式提供一系列的子程序包。
根据 FAIR 的论文，Torchnet 主要运用了 5 个抽象，以实现高效地重用和优化，否则，就要像许多项目所做的那样使用客户化代码。Dataset抽象提供了数据集中的样本数量和一个返回样本的get()函数。DatasetIterator抽象允许遍历数据集，并管理异步并行。Engine抽象实现了模型、DatasetIterator和损失函数之间的交互以及一个训练和测试函数。Engine还提供了钩子，让用户可以注入实验特有的代码，比如性能Meter。据报道，将钩子实现为闭包让 Torchnet 可以在用于训练和测试模型的代码之间共享逻辑。Meter抽象一般会实现两个函数add(output, target)函数和value()函数。Meter 提供了度量如下性能属性的能力：
一个训练阶段的执行时间，所有示例的损失函数平均值，二元分类器 ROC 曲线下的面积，多类分类器的分类错误，检索模型的准确率和召回率，或者排序算法的归一化衰减累积熵。
最后，Log 抽象提供了将实验日志输出为原始文本或 JSON 的能力。
注册/登录 InfoQ 发表评论