Theseus: A Library for Differentiable Nonlinear Optimization

要約

テセウスは、PyTorch上に構築された微分可能な非線形最小二乗（DNLS）最適化のための効率的なアプリケーションに依存しないオープンソースライブラリであり、ロボット工学とビジョンにおけるエンドツーエンドの構造化学習のための共通フレームワークを提供します。
既存のDNLS実装はアプリケーション固有であり、効率にとって重要な多くの要素が常に組み込まれているわけではありません。
テセウスはアプリケーションに依存しません。これは、2次オプティマイザー、標準コスト関数、リー群など、同じ基礎となる微分可能コンポーネントを使用して構築されたアプリケーションの例で示されています。
効率を上げるために、テセウスは、スパースソルバー、自動ベクトル化、バッチ処理、GPUアクセラレーション、および陰関数の微分と直接損失の最小化を伴う勾配計算のサポートを組み込んでいます。
一連のアプリケーションで広範なパフォーマンス評価を行い、これらの機能を組み込むと、大幅な効率の向上とスケーラビリティの向上を実証します。
プロジェクトページ：https：//sites.google.com/view/theseus-ai

要約(オリジナル)

We present Theseus, an efficient application-agnostic open source library for differentiable nonlinear least squares (DNLS) optimization built on PyTorch, providing a common framework for end-to-end structured learning in robotics and vision. Existing DNLS implementations are application specific and do not always incorporate many ingredients important for efficiency. Theseus is application-agnostic, as we illustrate with several example applications that are built using the same underlying differentiable components, such as second-order optimizers, standard costs functions, and Lie groups. For efficiency, Theseus incorporates support for sparse solvers, automatic vectorization, batching, GPU acceleration, and gradient computation with implicit differentiation and direct loss minimization. We do extensive performance evaluation in a set of applications, demonstrating significant efficiency gains and better scalability when these features are incorporated. Project page: https://sites.google.com/view/theseus-ai

arxiv情報

提供元, 利用サービス

arxiv.jp, Google