منصوبے کے بارے میں

Uncertainty Baselines ایک Google تحقیقی ذخیرہ ہے جو ڈیپ لرننگ میں غیر یقینی اور مضبوطی کی بینچ مارکنگ کے لیے ایک ٹیمپلیٹ اور حوالہ جاتی تنفیذات پیش کرتا ہے۔ اس کے بیان کردہ اہداف یہ ہیں: معیاری کاموں پر معیاری اور جدید طریقوں کی اعلیٰ معیار کی تنفیذات فراہم کرنا، فائلوں کے درمیان کم سے کم انحصار رکھنا تاکہ بیس لائنز آسانی سے فورک کی جا سکیں، اور بینچ مارکنگ کے لیے بہترین طریقے تجویز کرنا۔ اس کی محرک یہ ہے کہ غیر یقینی اور مضبوطی کا کوڈ اکثر فی مقالہ ایک بار ہوتا ہے، جس پر تعمیر کرنے کے لیے کوئی مشترکہ مثالیں نہیں ہوتیں، اور یہاں تک کہ معیاری کام بھی آرکیٹیکچر، ہائپر پیرامیٹرز، اور پری پروسیسنگ میں مختلف ہوتے ہیں، جس سے موازنہ مشکل ہو جاتا ہے۔ تنصیب Git ذخیرے سے pip کے ذریعے کی جاتی ہے؛ کوئی مستحکم ریلیز نہیں ہے اور APIs تبدیل ہو سکتی ہیں۔ پیکیج کی تنصیب بیک اینڈ کو انسٹال نہیں کرتی: TensorFlow، TensorFlow Addons، اور TensorBoard کو الگ سے انسٹال کرنا ضروری ہے، جس میں اضافی انحصارات setup.py میں درج ہیں۔ استعمال baselines/ ڈائریکٹری پر مرکوز ہے، جو تربیتی ڈیٹاسیٹ کے لحاظ سے منظم ہے۔ مثال کے طور پر، ایک CIFAR ڈیٹرمینسٹک بیس لائن ایک Wide ResNet 28-10 ہے۔ بیس لائنز کو دوبارہ پیدا کرنے کے لیے اکثر TPUs کی ضرورت ہوتی ہے، جس کے لیے تین اختیارات بیان کیے گئے ہیں: Colab (مفت TPUs، آسان لیکن طویل مدتی کی ضمانت نہیں)، Google Cloud (سب سے زیادہ لچکدار، مثال کے ماحول متغیرات اور BatchEnsemble بیس لائن کے لیے لانچ کمانڈز کے ساتھ)، اور GPUs یا کم کورز استعمال کرنے کے لیے جھنڈے تبدیل کرنا۔ README خبردار کرتا ہے کہ کورز کی تعداد تبدیل کرنا اہم ہے کیونکہ کل بیچ سائز اکثر num_cores سے طے ہوتا ہے۔ ub.datasets ماڈیول TensorFlow Datasets API کی پیروی کرتا ہے اور کم سے کم منطق شامل کرتا ہے جیسے ڈیفالٹ پری پروسیسنگ۔ ڈیٹاسیٹس کو براہ راست یا سٹرنگز سے get فنکشن کے ذریعے انسٹینشیئٹ کیا جا سکتا ہے، اور tfds.as_numpy یا کم کاپی _numpy راستے کے ذریعے Jax اور PyTorch کے ساتھ استعمال کیا جا سکتا ہے۔ ub.models ماڈیول tf.keras.Model API کی پیروی کرتا ہے، جس میں ایک وسیع ResNet بنانے کی مثال ہے۔ ڈیٹاسیٹس میں متعین میٹرکس میں شامل ہیں: پیرامیٹرز کی تعداد، ٹیسٹ درستگی، ٹیسٹ کیلیبریشن ایرر (متوقع کیلیبریشن ایرر)، ٹیسٹ منفی لاگ لائیکلی ہوڈ، اور ٹرین/ٹیسٹ رن ٹائم۔ نتائج تقریباً تین اہم ہندسوں تک رپورٹ کیے جاتے ہیں اور دس رنز پر اوسط لی جاتی ہے۔ TensorFlow خلاصے TensorBoard کے لیے model_dir میں لکھے جاتے ہیں، بشمول ہائپر پیرامیٹرز پلگ ان، اور tensorboard.dev پر اپ لوڈ کیے جا سکتے ہیں۔ README میں ایک BibTeX حوالہ شامل ہے اور ان مقالوں کی فہرست دی گئی ہے جنہوں نے کوڈ استعمال کیا ہے۔ شراکت کی رہنمائی میں yapf کے ساتھ فارمیٹنگ، بیس لائن شامل کرنا (اسکرپٹ فورک کریں، ڈیفالٹس ٹیون کریں، ٹیبل میں نتائج شامل کریں)، ڈیٹاسیٹ شامل کرنا (حوالہ، BaseDataset کی ذیلی کلاس، ٹیسٹ، رجسٹریشن)، اور ماڈل شامل کرنا (حوالہ، create_model فنکشن، ٹیسٹ، رجسٹریشن) شامل ہیں۔