2 مستودعات
Awesome GitHub RepositoriesExperiment Batch Execution
Executing a set of machine learning experiments with different configurations in a single automated sequence.
Distinct from Batch Command Executions: Focuses on iterating through experiment configuration folders rather than generic remote shell command sequences.
Explore 2 awesome GitHub repositories matching devops & infrastructure · Experiment Batch Execution. Refine with filters or upvote what's useful.
Awesome Experiment Batch Execution GitHub Repositories
اعثر على أفضل المستودعات باستخدام الذكاء الاصطناعي.سنبحث عن أفضل المستودعات المطابقة باستخدام الذكاء الاصطناعي.
- ashleve/lightning-hydra-template
ashleve/lightning-hydra-template
5,303عرض على GitHubهذا المشروع عبارة عن قالب مشروع ونموذج تجريبي لتعلم الآلة موحد يجمع بين PyTorch Lightning وإطار عمل التكوين Hydra. يوفر قاعدة كود منظمة لتنظيم سير عمل التعلم العميق، مصممة خصيصاً لدمج إدارة التكوين الهرمي مع التدريب الموزع. يتميز القالب بسير عمل متخصص لتحسين المعلمات الفائقة (hyperparameter optimization) وتنفيذ التجارب على دفعات، مما يسمح بعمليات مسح تلقائية للمعلمات دون تعديل الكود المصدري. يستخدم نظاماً هرمياً لإدارة الإعدادات عبر ملفات YAML وتجاوزات سطر الأوامر لضمان نتائج قابلة للتكرار عبر تشغيلات التجارب المختلفة. يغطي المشروع مجالات قدرة واسعة بما في ذلك تدريب التعلم العميق الموزع عبر مسرعات أجهزة متعددة، وتغليف خط أنابيب البيانات، وتسجيل التجارب متعدد الخلفيات. كما يدمج أتمتة جودة الكود من خلال خطافات ما قبل الالتزام (pre-commit hooks)، وأدوات التحليل (linters)، والمنسقات، إلى جانب أدوات لإدارة نقاط فحص النموذج والتقييم.
Run multiple experiment configurations or random seeds in a single command by iterating through a specified folder.
Pythonbest-practicesconfigdeep-learning - idsia/sacred
IDSIA/sacred
4,365عرض على GitHubSacred هي أداة لإدارة التجارب وإطار عمل لإعادة الإنتاج مصمم لتنظيم عمليات تشغيل متعددة لعملية ما بتكوينات مختلفة. تعمل كمتتبع لتجارب التعلم الآلي ومدير لتكوين المعلمات الفائقة (hyperparameters)، حيث تسجل المعلمات الفائقة والمقاييس والبيانات الوصفية في قاعدة بيانات لضمان بقاء عمليات التنفيذ التجريبية قابلة للتتبع. يركز المشروع على إعادة إنتاج النتائج العلمية من خلال إدارة البذور العشوائية (random seeds) وتتبع تبعيات النظام تلقائياً. ويسمح بتنفيذ متغيرات التجربة من خلال تجاوز معلمات سطر الأوامر وحقن المعلمات الديناميكي، مما يتيح تعديل الإعدادات دون تغيير الكود المصدري الأساسي. يوفر إطار العمل إمكانيات لتسجيل البيانات الوصفية المدعومة بقاعدة بيانات، والتقاط تفاصيل الأجهزة وإصدارات البرامج للحفاظ على سجل قابل للبحث لكل عملية تشغيل. كما يدعم تسلسل حالة التنفيذ لتمكين النسخ الدقيق للنتائج التجريبية.
Enables executing different versions of a process by overriding parameters via the command line.
Python
