معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

ADPY is a Python library for algorithmic differentiation

ویژگی	مقدار
سیستم عامل	-
نام فایل	ADPY-0.12.alpha
نام	ADPY
نسخه کتابخانه	0.12.alpha
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Oliver Schnabel
ایمیل نویسنده	zwenson@rocketmail.com
آدرس صفحه اصلی	https://github.com/zwenson/ADPY
آدرس اینترنتی	https://pypi.org/project/ADPY/
مجوز	GPLv3

ADPY ==== ##Description ADPY is a Python library for algorithmic differentiation (http://en.wikipedia.org/wiki/Automatic_differentiation). It aims to provide an easy way to extract partial derivatives of vector valued function (Jacobian matrix). In addition it allows to created callable function for obtaining function values using computational graphs. Features: * optimize numerical evaluation by using computational graph * create callable function from Sympy expressions (calls lambdify once and creates a computational graph) * extract partial derivatives using forward or reverse algorithmic differentiation * bonus: a small nonlinear solver using all advantages mentioned above ##How to use Due the small amount of features the handling is quite easy. For the easiest use you need a callable function which takes a list of float numbers and returns a list. def f(x): return [x[0]**2,2*x[1]] You need a valid values for x which cause no singularities while evaluating the function. x1 = [1.,2.] Initialize the ADFUN object. from ADPY import adfun adpy_test = adfun(f,x1) Now you have a callable function with computational graph optimization. y1 = adpy_test(x1) If you want to use derivatives just do adpy_test.init_reverse_jac() or adpy_test.init_forward_jac() Now you can evaluate them using J_forward = adpy_test.jac_reverse(x1) or J_forward = adpy_test.jac_forward(x1) For more information see the attached examples. ##Install clone git git clone https://github.com/zwenson/ADPY and run setup.py python setup.py install or use easy_install easy_install ADPY ##How it works Without going in to detail. It uses an overloaded class "adfloat" to record a list of the mathematical operations required to obtain the result. This list is then translated in to python expressions and made executable. The list is also used to perform automatic differentiation. ##To do * more testing * add more operations * maybe add Hessian matrix? * add Taylor arithmetic?

نحوه نصب

نصب پکیج whl ADPY-0.12.alpha:

pip install ADPY-0.12.alpha.whl

نصب پکیج tar.gz ADPY-0.12.alpha:

pip install ADPY-0.12.alpha.tar.gz