Zum Hauptinhalt springen

model

Model Loader

Dieses Modul stellt eine Funktion und Klassen zum Laden und Verwenden eines vortrainierten AlphaCube Solver-Modells bereit.

Funktion: load_model(model_id, cache_dir): Lädt das vortrainierte AlphaCube Solver-Modell.

Klassen:

  • Model: Die MLP-Architektur für den AlphaCube Solver.
  • LinearBlock: Ein Baustein für die MLP-Architektur.

load_model​

def load_model(model_id="small", cache_dir=os.path.expanduser("~/.cache/alphacube"))

Lädt das vortrainierte AlphaCube Solver-Modell.

Argumente:

  • model_id str - Identifikator für die zu ladende Modellvariante ("small", "base" oder "large").
  • cache_dir str - Verzeichnis zum Zwischenspeichern des heruntergeladenen Modells.

Rückgabewert:

  • nn.Module - Geladenes AlphaCube Solver-Modell.

Model_v1​

class Model_v1(nn.Module)

Die MLP-Architektur für den rechenoptimalen Rubik's Cube Solver, der in folgendem Paper vorgestellt wurde: https://openreview.net/forum?id=bnBeNFB27b

forward​

def forward(inputs)

Vorwärtsdurchlauf des Modells.

Argumente:

  • inputs torch.Tensor - Eingabetensor, der den Problemzustand repräsentiert.

Rückgabewert:

  • torch.Tensor - Vorhergesagte Verteilung über mögliche Lösungen.

Model​

class Model(nn.Module)

Eine Architektur, die besser ist als Model.

Änderungen:

  • Entfernung der ReLU-Aktivierung aus der ersten Schicht (embedding), die das Problem der sterbenden ReLU hatte.
  • Der Konvention folgend zählt die embedding-Schicht nicht als eine versteckte Schicht.

reset_parameters​

def reset_parameters()

Initialisiert alle Gewichte so, dass die Aktivierungsvarianzen ungefähr 1,0 betragen, wobei die Bias-Terme und die Gewichte der Ausgabeschicht Nullen sind.

forward​

def forward(inputs)

Vorwärtsdurchlauf des Modells.

Argumente:

  • inputs torch.Tensor - Eingabetensor, der den Problemzustand repräsentiert.

Rückgabewert:

  • torch.Tensor - Vorhergesagte Verteilung über mögliche Lösungen.

LinearBlock​

class LinearBlock(nn.Module)

Ein Baustein für die MLP-Architektur.

Dieser Block besteht aus einer linearen Schicht, gefolgt von einer ReLU-Aktivierung und Batch-Normalisierung.

forward​

def forward(inputs)

Vorwärtsdurchlauf des linearen Blocks.

Argumente:

  • inputs torch.Tensor - Eingabetensor.

Rückgabewert:

  • torch.Tensor - Ausgabetensor nach linearer Transformation, ReLU-Aktivierung und Batch-Normalisierung.