EdnaML：用于可复现深度学习的声明式 API 与框架
机器学习
2022-11-15 v1 系统与控制
系统与控制
摘要
机器学习已成为近期文本、图像、视频与音频处理及生成进展的基石。多数生产系统在部署与训练期间涉及若干模型，每个模型带有多种调优超参数。此外，由于 ML 流水线中数据收集与处理在创建可持续高质量分类器方面的重要性，其正受到日益增多的关注。我们提出 EdnaML，一个带有声明式 API 的可复现深度学习框架。EdnaML 提供可手动组合的低层构建块，以及用于自动化数据收集、数据处理、分类器训练、分类器部署与模型监控的高层流水线编排 API。我们的分层 API 允许用户以高层组件抽象管理 ML 流水线，同时通过构建块提供修改任一环节的灵活性。我们给出若干使用 EdnaML 的 ML 流水线示例，包括一个由 EdnaML 管理的含六个子流水线的大规模假新闻标注与分类系统。
引用
@article{arxiv.2211.06783,
title = {EdnaML: A Declarative API and Framework for Reproducible Deep Learning},
author = {Abhijit Suprem and Sanjyot Vaidya and Avinash Venugopal and Joao Eduardo Ferreira and Calton Pu},
journal= {arXiv preprint arXiv:2211.06783},
year = {2022}
}