简体中文 | English
gml是为渐进机器学习提供的一个python库。
为了支持越来越广泛的渐进机器学习应用，帮助研究人员快速完成模型部署和测试，本项目旨在开发通用的渐进机器学习平台。本渐进机器学习主要包括三大步骤：简单实例标注、特征提取与影响力建模和渐进推理。针对渐进机器学习的不同步骤，设计实现了多个统一的算法，目前支持单因子无函数化，双因子无函数化，单因子函数化等几种类型的因子图，支持基于随机梯度下降和基于批量梯度下降的因子图参数学习算法。
在使用此框架之前，您需要按照以下数据结构要求准备您的数据。
在准备完数据之后，您可以按照以下方式使用此框架。 首先需要准备一个配置文件示例，对一些参数进行设置。
[para]
top_m = 2000
top_k = 10
top_n = 1
update_proportion = -1
optimization_threshold = -1
balance = False
learning_epoches = 500
inference_epoches = 500
learning_method = sgd
n_process = 1
out = False然后，按照如下方式调用GML:
with open('variables.pkl', 'rb') as v:
variables = pickle.load(v)
with open('features.pkl', 'rb') as f:
features = pickle.load(f)
graph = GML.initial("alsa.config", variables, features)
graph.inference()Here is an example you can refer.
Easy Instance Labeling
Influence Modeling
Gradual Inference
常见问题解答
我们非常欢迎所有意见，如果您发现了bug,请立即联系我们。如果您想贡献功能更新，请创建一个issuu,经讨论后再提交pull requests。
本团队为“渐进机器学习算法应用研发团队”，主要研究方向包括：
（1）研发渐进机器学习算法理论体系；
（2）研发渐进机器学习算法具体应用；
（3）研发通用的渐进机器学习开源平台，支撑面向一般性分类问题的渐进机器学习算法和系统的实现。