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

A homemade machine learning platform modeled after TensorFlow

ویژگی	مقدار
سیستم عامل	-
نام فایل	Artifice-0.1.0
نام	Artifice
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	['William Bidle <wkb15@scarletmail.rutgers.edu>, Ilana Zane <ilanazane@comcast.net>']
نویسنده	-
ایمیل نویسنده	William Bidle <wkb15@scarletmail.rutgers.edu>, Ilana Zane <ilanazane@comcast.net>
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/Artifice/
مجوز	-

# Artifice ***Artifice*** is a homemade machine learning platform modeled after TensorFlow, co-developed and co-written by <a href="https://williambidle.github.io/" target = "_blank">William Bidle</a> and <a href="https://ilanazane.github.io/" target = "_blank">Ilana Zane</a>. ### Installation To get started with ***Artifice***, copy the following command and paste it into your command line: pip install Artifice To test the installation, run the following code into your Python editor of choice: from Artifice import Artifice layer_sequence = [1,'ReLU', 2, 'sigmoid', 3] loss_function = 'MSLE' nn = Artifice.NN(layer_sequence, loss_function) print('activation func library:\n', nn.activation_funcs_library, '\n') print('loss func library:\n', nn.loss_funcs_library, '\n') print('current weights:\n', nn.weights, '\n') print('current activation functions:\n', nn.activation_funcs, '\n') print('current loss function:\n', nn.loss_func_label, ':', nn.loss_func, '\n') print('traing error:\n', nn.training_err, '\n') If there are no errors, then you have successfully installed ***Artifice***! The full list of functions, their usage, as well as some examples can be found within the ***Artifice.py*** file. ### List of available activation functions For a given value, $x$, different activation functions are definined by the following. - "sigmoid" : $$\frac{1}{1 + e^{-x}}$$ - 'tanh' : $$tanh(x)$$ - 'ReLU' : $$f(x) = \begin{cases} x & \text{if } x \geq 0,\\ 0 & \text{if } x < 0. \end{cases}$$ ### List of avaliable loss functions For a given network output vector, $\vec{y}^{out}$, and true value vector, $\vec{y}^{true}$, with $N$ components each, different loss functions are definined by the following. - Mean Squared Error ("MSE") : $$\sum_{i}^N(y_i^{out} - y_i^{true})^2$$ - Mean Absolute Error ("MAE") : $$\sum_{i}^N|y_i^{out} - y_i^{true}|$$ - "MAPE" : $$100 * \sum_{i}^N|\frac{y_i^{out} - y_i^{true}}{y_i^{out} + y_i^{true}}|$$ - Mean Squared Logarithmic Error ("MSLE") : $$\sum_{i}^N(log(y_i^{out} + 1) - log(y_i^{true} + 1))^2$$ - Binary Cross-Entropy ("BCE") : $$\sum_{i}^N(y_i^{true}*log(y_i^{out}) + (1 - y_i^{true})*log(1 - y_i^{out}))$$ - "Poisson" : $$\sum_{i}^N(y_i^{out} - y_i^{true} * log(y_i^{out}))$$ ### Examples Detailed examples on how to use ***Artifice*** can be found in the ***Artifice_Tutorial.ipynb*** Jupyter Notebook.

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl Artifice-0.1.0:

pip install Artifice-0.1.0.whl

نصب پکیج tar.gz Artifice-0.1.0:

pip install Artifice-0.1.0.tar.gz