机器/深度学习TensorRT、SMRC、Super-mario-bros-A3C-pytorch介绍

以下为你介绍的机器学习/深度学习软件都可用在Linux系统上:TensorRT(英伟达高性能深度学习推理平台)、SMRC(机器阅读理解工具包)、Super-mario-bros-A3C-pytorch(超级马里奥的 A3C 算法)。

1、TensorRT(英伟达高性能深度学习推理平台)

机器/深度学习TensorRT、SMRC、Super-mario-bros-A3C-pytorch介绍

TensorRT 是一个高性能深度学习推理平台,它包括深度学习推理优化器和运行时,可为深度学习推理应用提供低延迟和高吞吐量。在推理期间,基于 TensorRT 的应用比仅 CPU 平台的执行速度快 40 倍。

TensorRT 基于 CUDA,NVIDIA 的并行编程模型,能够利用 CUDA-X AI 中的库、开发工具和技术,为人工智能、自动机器、高性能计算和图形优化所有深度学习框架的推理。

此库包含 TensorRT 插件和解释器(Caffe 和 ONNX),还有一些演示 TensorRT 平台的使用和功能的示例应用。

下载TensorRT组件:

1]、下载TensorRT OSS源代码

git clone -b master https://github.com/nvidia/TensorRT TensorRT

cd TensorRT

git submodule update --init --recursive

export TRT_SOURCE=`pwd`

2]、下载TensorRT二进制发行版

要构建TensorRT OSS,请从NVidia开发人员专区获取相应的TensorRT 6.0.1二进制发行版(地址:https://developer.nvidia.com/nvidia-tensorrt-download)。

示例:带有cuda-10.1的Ubuntu 18.04

下载并解压缩用于Ubuntu 18.04和CUDA 10.1 tar包的TensorRT 6.0.1.5 GA:

cd ~/Downloads

# Download TensorRT-6.0.1.5.Ubuntu-18.04.2.x86_64-gnu.cuda-10.1.cudnn7.6.tar.gz

tar -xvzf TensorRT-6.0.1.5.Ubuntu-18.04.2.x86_64-gnu.cuda-10.1.cudnn7.6.tar.gz

export TRT_RELEASE=`pwd`/TensorRT-6.0.1.5

示例:带有cuda-9.0的CentOS/RedHat 7

下载并解压缩用于CentOS/RedHat 7和CUDA 9.0 tar包的TensorRT 6.0.1.5 GA:

cd ~/Downloads

# Download TensorRT-6.0.1.5.Red-Hat.x86_64-gnu.cuda-9.0.cudnn7.6.tar.gz

tar -xvzf TensorRT-6.0.1.5.Red-Hat.x86_64-gnu.cuda-9.0.cudnn7.6.tar.gz

export TRT_RELEASE=~/Downloads/TensorRT-6.0.1.5

下载地址:https://github.com/NVIDIA/TensorRT

2、SMRC(机器阅读理解工具包)

Sogou Machine Reading Comprehension (SMRC) 是搜狗开源的机器阅读理解工具包,旨在帮助 NLP 从业人员快速实现已有的机器理解模型,从而更高效地开发新模型。

工具包架构:

机器/深度学习TensorRT、SMRC、Super-mario-bros-A3C-pytorch介绍

搜狗将机器阅读理解任务的流水线分解为4个步骤:数据集读取、预处理、模型构建、训练和评估,对每步都进行了抽象和模块化,以简洁的接口呈现。

在搜狗开源的 SMRC 工具包中,以上每个步骤都可以单独拿来使用,嵌入开发者自己的流程中,保证了整套工具的易用性和可扩展性。

同时,SMRC 对已发表的多种机器阅读理解数据集、模型进行了整合或复现。

代码主要分为以下几个模块:

1].数据集读取模块(dataset_reader)

该模块集成了对 SQuAD 1.0/2.0、CoQA 以及中文数据集 CMRC 的读取和预处理功能。

2].数据预处理(data、utils)

data 部分包含词表构建模块和负责特征变换和数据流的 batch 生成器。utils 用于提取语言学特征。

3].模型构建(nn、models)

nn(神经网络)由机器阅读理解中的常用组件组成,可以快速构建和训练原型模型,避免部分重复工作。model 中集成了常见的机器理解模型,如 BiDAF、DrQA、FusionNet、QANet 等等。

4].模型训练与评估(examples)

这一部分是运行不同模型的示例。

机器/深度学习TensorRT、SMRC、Super-mario-bros-A3C-pytorch介绍

安装:

$ git clone https://github.com/sogou/SMRCToolkit.git

$ cd SMRCToolkit

$ pip install [-e] .

选项-e使您的安装可编辑,即将其链接到您的源目录。

此仓库已在Python 3和Tensorflow 1.12上进行了测试。

下载地址:https://github.com/sogou/SMRCToolkit

3、Super-mario-bros-A3C-pytorch(超级马里奥的 A3C 算法)

机器/深度学习TensorRT、SMRC、Super-mario-bros-A3C-pytorch介绍

Asynchronous Advantage Actor-Critic (A3C) for playing Super Mario Bros 是超级马里奥兄弟的 A3C 算法,用于训练代理玩超级马里奥兄弟。

它可以:

1]、通过运行 python train.py 来训练模型。

2]、通过运行 python test.py 来测试已经过训练的模型。

要求:

python 3.6、gym、cv2、pytorch、numpy。

动机解释:

在我实施此项目之前,有多个存储库可以在Tensorflow、Keras和Pytorch等不同的通用深度学习框架中很好地再现论文的结果。我认为,其中大多数都很棒。但是,它们似乎在很多方面都过于复杂,包括图像的预处理,环境设置和权重初始化,这使用户的注意力从更重要的事情上转移了。因此,我决定编写更简洁的代码,以简化不重要的部分。如您所见,只要正确执行算法,代理程序就能通过最少的设置和简单的网络初始化,自学如何与环境交互并逐步找到实现最终目标的方法。

下载地址:https://github.com/nhviet1009/Super-mario-bros-A3C-pytorch

注明

以上就是机器/深度学习TensorRT、SMRC、Super-mario-bros-A3C-pytorch的介绍内容,这些机器学习/深度学习软件都能使用在Linux操作系统中。

栏目相关文章