ICMLAug, 2023

feather -- 一个用于共享和部署模型的 Python SDK

PDF
TL;DRFeather 是一个工具，允许模型开发者使用少于 20 行代码构建可共享的用户界面；该工具使用 Python SDK 来指定用户与之交互的可视组件，并提供 URL 和 API 端点以可视方式或编程方式访问和使用模型。本文讨论了 Feather 的动机、为 AI 研究人员和开发者提供的价值，并提供了全面的技术和实现细节。
feathermodel developersuser interfacespython sdkai researchers
发现论文，激发创造
  • Hawkeye：基于 PyTorch 的深度学习细粒度图像识别库

    目前提供的 FGIR 统一开源软件库不足，本研究提出 Hawkeye，一个基于 PyTorch 的深度学习库，实现了 16 种最新的细粒度方法，为研究者和从业者提供了一个强大的工具来推动他们在 FGIR 领域的研究和开发。

    Oct, 2023

  • Skeet：面向现代 AI 驱动应用开发的轻量级无服务框架

    我们提出了 Skeet 框架，它能够反映当前的架构趋势，并提供工具套件，使开发人员能够轻松地将人工智能等新兴技术整合到他们的应用程序中并部署。

    May, 2024

  • NVIDIA FLARE: 从模拟到现实世界的联合学习

    NVIDIA FLARE 是一个开源软件开发工具包，使得数据科学家可以更容易地在其研究和实际应用中使用联邦学习，可以应用不同的隐私保护算法进行多方协作。

    Oct, 2022

  • 机器学习软件的 API 设计：来自 scikit-learn 项目的经验

    本文讨论了 Scikit-learn 机器学习库 API 的设计选择，其中强调了可重用性和组合性，并评论了该库用户和开发者所面临的障碍。

    Sep, 2013

  • Greykite：在 LinkedIn 的规模上部署灵活的预测

    LinkedIn 在 Greykite 平台上开发了 Silverkite 解决方案，提供可解释、快速和高度灵活的单变量预测，从而满足不同时间序列的准确和可解释的需求。该 Python 库使数据探索、模型配置、执行和解释更方便，适用于需要准确、可解释且能捕捉人类活动相关时间序列的复杂动态的预测从业者。

    Jul, 2022

  • 鸟之好：从图像中捕获鸟类形态模型

    本文介绍了一种使用关节模板和物种的图像来捕捉新物种的方法，重点关注鸟类。通过解开姿态和形状，从图像证据中学习捕捉各物种和每个物种内部变化的形状空间，并使用低维嵌入，展示了所学 3D 形状空间比感知特征更好地反映了鸟类之间的系统关系，并提供了一些新的物种特定和多物种形状模型，有利于下游重建任务。

    May, 2021

  • FedKit: 为 Android 和 iOS 实现跨平台联邦学习

    FedKit 是一个适用于 Android 和 iOS 设备上的跨平台联邦学习系统，通过模型转换、硬件加速训练和跨平台模型聚合来提供跨平台 FL 开发。我们的 FL 工作流支持在生产中的灵活机器学习操作（MLOps），促进持续模型交付和训练。我们在大学校园中的健康数据分析真实用例中部署了 FedKit，并展示了其有效性。FedKit 是开源的，网址在此 https URL。

    Feb, 2024

  • 佛罗里达计划：简化联邦学习

    通过提供云托管基础设施和任务管理接口，以及支持大多数主流编程语言（包括 C++、Java 和 Python）的多平台 SDK，Project Florida 旨在简化跨设备的联邦学习解决方案的部署任务。它使得服务管理与联邦学习工作流程解耦，可以向机器学习工程师和应用开发者提供联邦学习即服务（FLaaS）的云服务。

    Jul, 2023

  • FL_PyTorch：联邦学习优化研究模拟器

    FL_PyTorch 是一个基于 PyTorch 框架的开源软件套件，用于构建一种 FL 研究模拟器，旨在使研究人员能够快速开发、原型测试和实验新的和现有的 FL 优化算法，从而缓解常见边缘设备设置的异质性问题。

    Feb, 2022

  • Python 自动化特征工程与选择的 autofeat 库

    本文介绍了 Autofeat Python 库，该库能为 Scikit-Learn 风格的线性回归和分类模型提供自动特征工程和选择功能。通过多阶段的特征工程和选择过程，它可以生成一个非线性特征池，从中选择出一组有意义的特征来提高线性模型的预测准确率，同时保持其可解释性。

    Jan, 2019