Awesome GitHub RepositoriesExperiment Batch Execution

该项目是一个标准化的机器学习实验样板和项目模板，结合了 PyTorch Lightning 和 Hydra 配置框架。它提供了一个结构化的代码库来组织深度学习工作流，专门设计用于将分层配置管理与分布式训练集成。 该模板具有用于超参数优化和批量实验执行的专门工作流，允许在不修改源代码的情况下进行自动化参数扫描。它采用分层系统通过 YAML 文件和命令行覆盖来管理设置，以确保跨不同实验运行的可重复结果。 该项目涵盖了广泛的功能领域，包括跨多个硬件加速器的分布式深度学习训练、数据流水线封装以及多后端实验日志记录。它还通过预提交钩子（pre-commit hooks）、代码检查器和格式化程序集成了代码质量自动化，以及用于模型检查点管理和评估的工具。

Sacred 是一个实验管理工具和可重复性框架，旨在组织具有不同配置的多个流程运行。它作为机器学习实验跟踪器和超参数配置管理器，将超参数、指标和元数据记录到数据库中，以确保实验执行的可追溯性。 该项目专注于科学结果的可重复性，通过自动管理随机种子和跟踪系统依赖项来实现。它允许通过命令行参数覆盖和动态参数注入来执行实验变体，从而无需修改底层源代码即可修改设置。 该框架提供了基于数据库的元数据记录能力，捕获硬件详情和软件版本以维护每次运行的可搜索记录。它还支持执行状态序列化，以实现实验结果的精确复制。