def main():
# SD_Scratch settings
parser = argparse.ArgumentParser()
parser.add_argument('--Superclasses', required=True, nargs='+', type=str)
parser.add_argument('--model_epochs', type=int, default=200, metavar='N', required=False)
parser.add_argument('--model_pretrained', default=False, required=False)
parser.add_argument('--model_step_size', type=int, default=80, metavar='S')
parser.add_argument('--device', type=str, default='cpu', required=False)
parser.add_argument('--batch_size', type=int, default=256, metavar='N')
parser.add_argument('--data_root', type=str, default='data')
parser.add_argument('--lr', type=float, default=0.1, metavar='LR')
parser.add_argument('--weight_decay', type=float, default=5e-4)
parser.add_argument('--momentum', type=float, default=0.9, metavar='M', help='SGD momentum (default: 0.9)')
parser.add_argument('--seed', type=int, default=1, metavar='S', help='random seed (default: 1)')
parser.add_argument('--log_interval', type=int, default=10, metavar='N', required=False,
help='how many batches to wait before logging training status')
parser.add_argument('--verbose', default=True, required=False)
parser.add_argument('--scheduler', default=True, required=False)
args = parser.parse_args()
use_cuda = torch.cuda.is_available()
set_seed(args)
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False
args.device = torch.device("cuda" if use_cuda else "cpu")
print(args)
get_model(args)
def main():
# Preprocessing settings
parser = argparse.ArgumentParser()
parser.add_argument('--Experts_epochs', type=int, default=20, metavar='N', required=False)
parser.add_argument('--Experts_pretrained', default=True, required=False)
parser.add_argument('--device', type=str, default='cpu', required=False)
parser.add_argument('--batch_size', type=int, default=128, metavar='N')
parser.add_argument('--alpha', type=int, default=0.3)
parser.add_argument('--lr', type=float, default=0.01, metavar='LR')
parser.add_argument('--weight_decay', type=float, default=5e-4)
parser.add_argument('--momentum', type=float, default=0.9, metavar='M', help='SGD momentum (default: 0.9)')
parser.add_argument('--seed', type=int, default=1, metavar='S', help='random seed (default: 1)')
parser.add_argument('--log_interval', type=int, default=10, metavar='N', required=False,
help='how many batches to wait before logging training status')
parser.add_argument('--verbose', default=True, required=False)
parser.add_argument('--scheduler', default=True, required=False)
args = parser.parse_args()
use_cuda = torch.cuda.is_available()
set_seed(args)
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False
args.device = torch.device("cuda" if use_cuda else "cpu")
print(args)
# get Oracle model
Oracle = get_Oracle(args, False)
# Construct PoE
library = get_library(args)
get_experts(args, Oracle, library)
def main():
# Service settings
parser = argparse.ArgumentParser()
parser.add_argument('--device', type=str, default='cpu', required=False)
parser.add_argument('--batch_size', type=int, default=128, metavar='N')
parser.add_argument('--data_root', type=str, default='data')
parser.add_argument('--momentum',
type=float,
default=0.9,
metavar='M',
help='SGD momentum (default: 0.9)')
parser.add_argument('--seed',
type=int,
default=1,
metavar='S',
help='random seed (default: 1)')
parser.add_argument('--queriedTask', required=True, nargs='+', type=str)
args = parser.parse_args()
use_cuda = torch.cuda.is_available()
set_seed(args)
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False
args.device = torch.device("cuda" if use_cuda else "cpu")
print(args)
# get specialised Model
print('\nQueried Task:', args.queriedTask)
test_MQ(args)