इस प्रोजेक्ट के बारे में

Sonnet डीपमाइंड के शोधकर्ताओं द्वारा विकसित एक ओपन-सोर्स न्यूरल नेटवर्क लाइब्रेरी है, जिसे TensorFlow 2 के ऊपर काम करने के लिए डिज़ाइन किया गया है। इसका प्राथमिक लक्ष्य सरल, संयोजनीय अमूर्तताएँ प्रदान करना है जो पर्यवेक्षित/अपर्यवेक्षित शिक्षण और सुदृढीकरण शिक्षण सहित विभिन्न डोमेन में मशीन लर्निंग अनुसंधान को सुविधाजनक बनाती हैं। Sonnet में मुख्य प्रोग्रामिंग मॉडल `snt.Module` क्लास के इर्द-गिर्द घूमता है। मॉड्यूल स्व-निहित इकाइयाँ हैं जो पैरामीटर, अन्य मॉड्यूल और विधियों के संदर्भ रख सकती हैं। यह डिज़ाइन सुनिश्चित करता है कि मॉड्यूल एक-दूसरे से अलग हैं, जिससे उनके उपयोग में उच्च लचीलापन मिलता है। कुछ फ्रेमवर्क के विपरीत, Sonnet कोई विशिष्ट प्रशिक्षण लूप या राय-आधारित संरचना लागू नहीं करता; इसके बजाय, यह उपयोगकर्ताओं को अपना स्वयं का प्रशिक्षण तर्क बनाने या मौजूदा समाधान अपनाने के लिए प्रोत्साहित करता है। मुख्य विशेषताएँ शामिल हैं: - **पूर्वनिर्धारित मॉड्यूल**: Sonnet में सामान्य बिल्डिंग ब्लॉक जैसे `snt.Linear`, `snt.Conv2D`, और `snt.BatchNorm`, साथ ही MLP जैसे पूर्व-निर्मित नेटवर्क शामिल हैं। - **कस्टम मॉड्यूल**: उपयोगकर्ताओं को कस्टम परतें या नेटवर्क बनाने के लिए `snt.Module` को उपवर्ग करने के लिए प्रोत्साहित किया जाता है। उपवर्गीकरण स्वचालित लाभ प्रदान करता है जैसे पैरामीटर प्रबंधन (`variables` और `trainable_variables` गुण), TensorBoard विज़ुअलाइज़ेशन के लिए नाम स्कोपिंग, और TensorFlow चेकपॉइंटिंग के लिए समर्थन। - **क्रमबद्धता**: लाइब्रेरी Python के `pickle` (हालांकि नाजुकता के कारण हतोत्साहित) और TensorFlow के मूल चेकपॉइंटिंग और Saved Model प्रारूपों के माध्यम से मॉडल सहेजने और लोड करने का समर्थन करती है। यह मजबूत मॉडल स्थिरता और तैनाती की अनुमति देता है। - **वितरित प्रशिक्षण**: Sonnet कस्टम TensorFlow वितरण रणनीतियों का उपयोग करके वितरित प्रशिक्षण के लिए समर्थन प्रदान करता है। यह उपयोगकर्ताओं को ग्रेडिएंट औसत और बैच नॉर्मलाइज़ेशन आँकड़े सिंक्रनाइज़ेशन पर पूर्ण नियंत्रण देता है, बजाय इन व्यवहारों को लाइब्रेरी में स्वचालित रूप से बेक करने के। स्थापना के लिए TensorFlow 2 और TensorFlow Probability की आवश्यकता होती है, इसके बाद `dm-sonnet` स्थापित करना होता है। उदाहरण Google Colab नोटबुक के माध्यम से उपलब्ध हैं, जैसे MNIST वर्गीकरण, GAN प्रशिक्षण, और वितरित CIFAR-10 प्रशिक्षण जैसे कार्यों के लिए।