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

Vectorized BBOB functions in torch

ویژگی	مقدار
سیستم عامل	-
نام فایل	BBOBtorch-1.0.1
نام	BBOBtorch
نسخه کتابخانه	1.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Patrik Valkovic
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/PatrikValkovic/BBOBtorch
آدرس اینترنتی	https://pypi.org/project/BBOBtorch/
مجوز	MIT

# BBOB torch Implementation of BBOB functions (Real-Parameter Black-Box Optimization Benchmarking) as specified by https://coco.gforge.inria.fr/downloads/download16.00/bbobdocfunctions.pdf. All the functions are vectorized and allow to pass potentional solutions in the same `(num_of_solutions, problem_dimension)`. ## Problem description All the problems are represented by `Problem` class. This class allows to: - Evaluate your solutions by directly calling it `problem(solutions)`. - Get problem dimension `problem.dim`. - Get optimal solution resp. optimal function value using `problem.x_opt` resp. `problem.f_opt`. - Get boundaries of solution using `problem.min` resp. `problem.max` for each dimension. - Change underlying type or device using `problem.type(torch.float16)` and `problem.ty(torch.device('cuda:0'))`. ## Problem creation You can create new instance of each problem by calling corresponding `create_fxx` function. This function accepts problem dimension and can optionally accept device and seed. ```python import torch import bbobtorch problem = bbobtorch.create_f09(40, dev=torch.device('cuda:0'), seed=42) ``` ## Example ```python import matplotlib.pyplot as plt import numpy as np import torch import bbobtorch x = torch.arange(-5,5, 0.01, dtype=torch.float32) grid = torch.stack(torch.meshgrid(x, x), -1) flat_grid = torch.reshape(grid, (-1,2)) xgrid, ygrid = np.meshgrid(x.numpy(), x.numpy()) fn = bbobtorch.create_f22(2, seed=42) # two dimension with seed 42 results = fn(flat_grid) results_grid = torch.reshape(results, xgrid.shape) - fn.f_opt plt.figure(figsize=(6,6)) plt.pcolormesh(xgrid, ygrid, results_grid, cmap='inferno', shading='nearest') plt.scatter(*fn.x_opt.tolist()[::-1], marker='x', c='r') plt.show() ``` ![BBOB f22 graph](./f22.png) You can view all the functions in [attached PDF](./rendering.pdf). -------------- Author: Patrik Valkovič License: MIT

نیازمندی

مقدار	نام
-	torch

نحوه نصب

نصب پکیج whl BBOBtorch-1.0.1:

pip install BBOBtorch-1.0.1.whl

نصب پکیج tar.gz BBOBtorch-1.0.1:

pip install BBOBtorch-1.0.1.tar.gz