Els estudis recents han demostrat l'eficàcia del mètode d'inferència Gaussiana aproximada i tractable (TAGI), proposat per Goulet et al., el qual ha mostrat un rendiment comparable o superior a les xarxes neuronals entrenades amb retropropagació. Això és cert per a arquitectures totalment connectades, xarxes neuronals convolucionals (CNNs), models generatius i aprenentatge profund per reforçament amb accions categòriques. Per tant, per competir eficaçment amb els mètodes de retropropagació, Nguyen ha estat desenvolupant la biblioteca de codi obert cuTAGI des de 2022. Aquest projecte es centra en millorar la usabilitat de la biblioteca cuTAGI mitjançant la realització de proves d'integració per a cada arquitectura disponible, de manera que siguin més fiables i proporcionin una base sòlida per al desenvolupament futur. Aquestes proves ja s'han incorporat a la versió v0.1.6 (https://github.com/lhnguyen102/cuTAGI/tree/v0.1.6). A més, aquest projecte també introdueix la versió inicial d'un lloc web de documentació (disponible a https://miquelflorensa.github.io). La documentació inclou informació essencial sobre la biblioteca, una guia d'instal·lació, instruccions per començar ràpidament i referències de l'API de l'abstracció en Python. A més, s'han inclòs diversos tutorials amb exemples per ajudar els usuaris a entrenar els seus models de manera efectiva.
Recent studies have showcased the efficacy of the tractable approximate Gaussian inference (TAGI) method, proposed by Goulet et al., which has demonstrated comparable or superior performance to backpropagation-trained neural networks. This holds true for fully connected architectures, convolutional neural networks (CNNs), generative models, and deep reinforcement learning with categorical actions. Therefore, to effectively compete with backpropagation methods, the cuTAGI open source library has been developed by Nguyen since 2022. This project focuses on improving the usability of the cuTAGI library by conducting integration tests for each available architecture, making them more reliable and providing a solid foundation for future development. These tests have already been incorporated into version v0.1.6 (https://github.com/lhnguyen102/cuTAGI/tree/v0.1.6). Moreover, this project also introduces the initial version of a comprehensive documentation website (available on https://miquelflorensa.github.io). The documentation includes essential information about the library, an installation guide, quick start instructions, and API references of the Python abstraction. Additionally, a variety of tutorial examples have been included to assist users in training their models effectively.
