uncertainty-baselines

项目简介

Uncertainty Baselines 项目旨在为研究人员提供一个可以构建的模板。该项目提供了一套标准和前沿方法的高质量实现，适用于标准任务。这些基线可以用作新想法、应用的起点，或作为不确定性和稳健性研究领域的交流基础。项目通过以下几种方式实现这一目标：

提供标准任务上标准和先进方法的高质量实现。
使项目代码库中其他文件的依赖关系最小化，方便基线不依赖其他模块独立使用。
为不确定性和稳健性基准测试推荐最佳实践。

项目动机

在 GitHub 上有很多关于不确定性和稳健性的实现，但通常是为特定论文而做的独立实验，很多论文甚至没有代码。不确定性研究人员缺少可以快速构建和原型开发的清晰示例。即使在标准任务上，不同项目之间在实验设置上也有细微差异，如架构、超参数或数据预处理。这导致难以正确比较不同的基线。

安装说明

最新的开发版本可以通过以下命令安装：

pip install "git+https://github.com/google/uncertainty-baselines.git#egg=uncertainty_baselines"

目前，该库还没有稳定版本或官方发布版本，所有 API 均可能更改。安装 uncertainty_baselines 不会自动安装任何后端。对于 TensorFlow，用户需要另外安装 TensorFlow、TensorFlow Addons 和 TensorBoard。

使用指南

基线

baselines/ 目录包含所有基线，按照它们的训练数据集进行组织。例如，baselines/cifar/determinstic.py 是一个能在 CIFAR-10 上取得 96.0% 测试准确率的宽残差网络（Wide ResNet 28-10）。

使用 TPU 启动

重新生产基线时，通常需要 TPU。用户可以选择以下方式：

Colab：Colab 提供免费的 TPU 资源，适合简单实验，但长期以来对 Colab 的依赖可能面临 TPU 访问不稳定等问题。
Google Cloud：这是最灵活的选项，用户需要创建虚拟机实例。
修改参数：用户可以更改参数设置，比如从 8 个 TPU 核心切换到 8 个 GPU，或者减少核心数量以训练基线。

数据集

ub.datasets 模块提供符合 TensorFlow Datasets API 的数据集，他们增加了数据预处理等基础逻辑。

import uncertainty_baselines as ub

# 加载 CIFAR-10 数据集，其中 10% 用于验证。
dataset_builder = ub.datasets.Cifar10Dataset(split='train', validation_percent=0.1)
train_dataset = dataset_builder.load(batch_size=FLAGS.batch_size)

模型

ub.models 模块提供基于 tf.keras.Model API 的模型。

import uncertainty_baselines as ub

model = ub.models.wide_resnet(input_shape=(32, 32, 3), depth=28, width_multiplier=10, num_classes=10, l2=1e-4)

评估指标

Uncertainty Baselines 定义了一系列在数据集间通用的评估指标：

参数数量：训练后用于预测的模型参数数量。
测试准确率：测试集上的准确率。
测试校准误差：基于期望校准误差（ECE）的测试集评价。
测试负对数似然：用 nats 测量的测试集负对数似然。
训练/测试运行时间：训练和测试的总时钟时间以及设备的非空闲运行时间。

用户可以通过 TensorBoard 查看这些指标。

参考文献

用户在引用 Uncertainty Baselines 时，可以参考如下 BibTeX 条目：

@article{nado2021uncertainty,
  author = {Zachary Nado et al.},
  title = {{Uncertainty Baselines}: Benchmarks for Uncertainty & Robustness in Deep Learning},
  journal = {arXiv preprint arXiv:2106.04015},
  year = {2021},
}