Transfer-Learning-Library

Transfer-Learning-Library

高效且易用的迁移学习库,支持多种算法和任务

Transfer Learning Library (TLlib) 是一个开源的迁移学习库,基于PyTorch设计,具备高性能和易用性。该库支持多种方法,如域对齐、域转换和半监督学习,适用于分类、回归、目标检测、分割和关键点检测等任务。提供丰富的示例代码和详细文档,并支持pip安装。这是研发新算法或应用现有算法的理想工具,适用于研究和工程实践。

Transfer LearningPyTorchTLlibAPI机器学习Github开源项目
<div align='center' margin-bottom:40px> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/66812db4-620a-463c-83cf-1c928d15b992.png" width=200/> </div>

迁移学习库

更新 (2024-03-15)

我们在这里上传了文档的离线版本。您可以下载并解压以查看文档。

注意 (2023-08-09)

关于损坏数据集链接的说明可以在这里找到:DATASETS.md

介绍

TLlib 是一个开源且具有良好文档记录的迁移学习库。它基于纯 PyTorch,具有高性能和友好的 API。我们的代码符合 Python 风格,设计上与 torchvision 一致。您可以轻松开发新的算法,或者直接应用现有的算法。

我们的 API 由方法划分,包括:

  • 域对齐方法 (tllib.aligment)
  • 域翻译方法 (tllib.translation)
  • 自主训练方法 (tllib.self_training)
  • 正则化方法 (tllib.regularization)
  • 数据重加权/重采样方法 (tllib.reweight)
  • 模型排名/选择方法 (tllib.ranking)
  • 基于归一化的方法 (tllib.normalization)
<img src="https://yellow-cdn.veclightyear.com/35dd4d3f/1621e5f8-00d0-4ae0-9c4c-b06d1825c2a9.png">

我们在 examples 目录中提供了许多示例代码,按学习设置划分。目前支持的学习设置包括:

  • DA(领域适应)
  • TA(任务适应,也称为微调)
  • OOD(分布外泛化,也称为 DG / 域泛化)
  • SSL(半监督学习)
  • 模型选择

我们支持的任务包括:分类、回归、目标检测、分割、关键点检测等。

更新

2022.9

我们支持通过 pip 安装 TLlib,目前这是实验性的。

pip install -i https://test.pypi.org/simple/ tllib==0.4

2022.8

我们发布了 TLlibv0.4 版。之前版本的 TLlib 可以在这里找到。在 v0.4 中,我们添加了以下方法的实现:

此外,我们在另一个仓库 A Roadmap for Transfer Learning 中维护了一系列迁移学习的优秀论文

2022.2

我们根据我们的调查 Transferablity in Deep Learning 调整了我们的 API。

支持的方法

目前支持的算法包括:

分类的领域适应 [代码]
对象检测的领域适应 [代码]
语义分割的领域适应 [代码]
关键点检测的领域适应 [代码]
个人再识别的领域适应 [代码]
  • IBN-Net - 一次学习两件事:通过 IBN-Net 增强学习和泛化能力 [ECCV 2018]
  • MMT - 互均值教学:个人再识别无监督领域适应的伪标签精炼 [ICLR 2020] [代码]
  • SPGAN - 相似保持生成对抗网络 [CVPR 2018] [代码]
部分领域适应 [代码]
  • IWAN - 用于部分领域适应的加权重要性对抗网络[CVPR 2018] [代码]
  • AFN - 更大的特征规范更具迁移性:用于无监督领域适应的自适应特征规范方法 [ICCV 2019] [代码]
开放集领域适应 [代码]
分类的领域泛化 [代码]
个人再识别的领域泛化 [代码]
  • IBN-Net - 一次学习两件事:通过 IBN-Net 增强学习和泛化能力 [ECCV 2018]
  • MixStyle - 使用 MixStyle 进行领域泛化 [ICLR 2021] [代码]
图像分类的任务适应(微调)[代码]
预训练模型选择 [代码]
  • ** H-Score ** - 基于信息论的方法在任务迁移学习中的可迁移性 [ICIP 2019] [代码]
  • ** NCE ** - 在监督分类任务的可迁移性和困难度中的负条件熵 [ICCV 2019] [代码]
  • ** LEEP ** - LEEP:评估学习表示可迁移性的一个新度量 [ICML 2020] [代码]
  • ** LogME ** - LogME:预训练模型可迁移性的实用评估中的对数最大证据 [ICML 2021] [代码]
分类的半监督学习 [代码]

安装

从源码安装
  • 请先克隆库。然后运行以下命令安装 tllib 及所有依赖。
python setup.py install pip install -r requirements.txt
通过 pip 安装
  • 通过 pip 安装目前是实验性的。
pip install -i https://test.pypi.org/simple/ tllib==0.4

文档

你可以在网站上找到API文档:文档.

使用

你可以在目录 examples 中找到示例。一个典型的使用方式是

# 使用ResNet 50在 Office-31 Amazon -> Webcam 任务上训练DANN。 # 假设你已将数据集放置在路径 `data/office-31` 下, # 或者你可以从互联网自动下载数据集到此路径 python dann.py data/office31 -d Office31 -s A -t W -a resnet50 --epochs 20

贡献

我们欢迎所有的贡献。如果你打算回馈bug修复,请直接贡献,不需要任何进一步讨论。如果你打算贡献新功能、实用函数或扩展,请先开一个issue并与我们讨论该功能。

关于数据集的免责声明

这是一个下载和准备公共数据集的实用库。我们不托管或分发这些数据集,不保证其质量或公正性,也不保证你有使用数据集的许可证。你有责任确定是否有许可证使用数据集根据数据集的许可证。

如果你是数据集的拥有者并希望更新其中的任何部分(描述、引用等),或者不希望你的数据集包含在此库中,请通过GitHub issue与我们联系。感谢你对ML社区的贡献!

联系

如果你有任何代码问题或有建议,包括未来的功能,欢迎联系

或者在问题中描述。

对于中文Q&A,你可以选择在邮件之前在这里提问。迁移学习算法库答疑专区

引用

如果你在研究中使用了这个工具库或基准,请引用这个项目。

@misc{jiang2022transferability, title={Transferability in Deep Learning: A Survey}, author={Junguang Jiang and Yang Shu and Jianmin Wang and Mingsheng Long}, year={2022}, eprint={2201.05867}, archivePrefix={arXiv}, primaryClass={cs.LG} } @misc{tllib, author = {Junguang Jiang, Baixu Chen, Bo Fu, Mingsheng Long}, title = {Transfer-Learning-library}, year = {2020}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/thuml/Transfer-Learning-Library}}, }

致谢

我们要感谢清华大学软件学院和国家工程实验室提供如此优秀的ML研究平台。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多