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

Bayesian Optimization with Gaussian Process as surrogate model

ویژگی	مقدار
سیستم عامل	-
نام فایل	BayGPGO-0.3.2
نام	BayGPGO
نسخه کتابخانه	0.3.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Cristian Gabellini
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/FNTwin/GPGO
آدرس اینترنتی	https://pypi.org/project/BayGPGO/
مجوز	MIT

# GPGO - Gaussian Process GO My own implementation of a Bayesian Black box Optimization with Gaussian Process as a surrogate model. It is still in development but it was successfully used to achieve a bottom up optimization of the Dissipative Particle Dynamics force field for a complex system of polymers chains functionalized gold nanoparticles in a water solvent. # Hyperparameters The Hyperparameters of the GP are optimized by the common technique of maximizing the Log Marginal Likelihood. In this repository this is achieved by using a search grid (although not in an efficient way) or by using the scipy optimizer module (L-BFGS-B, TNC, SLSCP). The analytical gradient is implemented for the Radial Basis Function kernel and it is possible to use the derivate of the Log Marginal Likelihood to optimize the hyperparameters. <a href="https://ibb.co/D8yvW3x"><img src="https://i.ibb.co/pR8MwCt/Figure-6.png" alt="Figure-6" border="0"></a> # Acquisition function As it is there are two different acquisition function implemented right now: -Expected Improvement (EI) -UCB (Upper Confidence Bound) # Maximizing the Acquisition function In this little package right now there are 3 ways to run an optimization task with Gaussian Processes: -NAIVE : AkA sampling the acquisition function with a grid of some kind or a quasi random methods as LHS (require smt package) -BFGS : optimize the Acquisition function by using the L-BFGS-B optimizer -DIRECT : optimize the Acquisition function by using the DIRECT optimizer (require DIRECT python package) -PSO : optimize the Acquisition function by a Particle Swarm Optimization genetic algorithm <a href="https://ibb.co/GPSM0cm"><img src="https://i.ibb.co/f0wN24J/Figure-7.png" alt="Figure-7" border="0"></a> # Made for experiments Easy to use it with a shell procedure! Load the data and just .suggest_location() to get the next points of your experiment! # Multi Objective Right now the package contains an implementation of the NSGAII genetic solver that allows to solve multi objective problems. It has also an early version of a Multi Objective Bayesian optimization that uses the NSGAII and optimize the Acquisition function EI or the mean function of the GP. It will follow a more precise implementation of the Hypervolume improvement. <a href="https://ibb.co/MhC92Yc"><img src="https://i.ibb.co/7z1bYwn/pareto.png" alt="pareto" border="0"></a> # TODO -Load data routines -Good code practice maybe -Easy routines for LAMMPS (at least DPD and BD)

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl BayGPGO-0.3.2:

pip install BayGPGO-0.3.2.whl

نصب پکیج tar.gz BayGPGO-0.3.2:

pip install BayGPGO-0.3.2.tar.gz