معرفی شرکت ها
DDesignerAPI-0.0.2.2
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 بیشترتوضیحات
Deep-learning Designer: Deep-Learning Training Optimization & Layers API(like Keras)
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | DDesignerAPI-0.0.2.2 |
| نام | DDesignerAPI |
| نسخه کتابخانه | 0.0.2.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Deeper-I |
| ایمیل نویسنده | dean@deeper-i.com |
| آدرس صفحه اصلی | https://github.com/DPI/TrainingAPI |
| آدرس اینترنتی | https://pypi.org/project/DDesignerAPI/ |
| مجوز | Apache-2.0 |
[DDesigner API] Deep-learning Designer API
==========================================
# 1. About
## 1.1. DDesignerAPI?
It is a API for deep-learning learning and inference, and an API for application development using multi-platform
## 1.2. Functions
### 1.2.1. Layers and Blocks
* The ability to define special layers that are not defined in Keras and others
* A function that defines a combination of layers as a block and easily composes a block (ex. CONV + BN + ACT + DROPOUT + SE = ConvBlock)
### 1.2.2. Optimization for Accelerator Usage (XWN)
* Optimized function to use accelerator
<br/><br/><br/>
# 2. Support
## 2.1. Platforms
* Tensorflow 2.6.0
* PyTorch 1.13.1
## 2.2. Components of Network
### 2.2.1. Layers
#### 2.2.1.1. Summary
|Platform|SqeezeAndExcitation1D|SqeezeAndExcitation2D|
|:---:|:---:|:---:|
|**TF-Keras**|O|O|
#### 2.2.1.1. Detail
* SqeezeAndExcitation1D
* SqeezeAndExcitation2D
<br/><br/>
### 2.2.2. Blocks
#### 2.2.2.1. Summary
|Platform|Conv1D|Conv2D|FullyConneted|Conv2DTranspose|
|:---:|:---:|:---:|:---:|:---:|
|**TF-Keras**|O|O|O|O|
#### 2.2.2.1. Detail
* Conv1DBlock
* Conv2DBlock
* FCBlock
* TConv2DBlock
<br/><br/>
## 2.3. XWN (**Applies only to convolution operations**)
### 2.3.1. Transform Configuration (data type / default value / description)
* transform : bool / False / Choose whether to use
* bit : int / 4 / Quantization range (bit-1 ** 2)
* max_scale : float / 4.0 / Max value
### 2.3.2. Pruning Configuration
* pruning : bool / False / Choose whether to use
* prun_weight : float / 0.5 / Weights for puning edge generation
### 2.3.3. Summary
|Platform|Conv1D|Conv2D|FullyConneted|Conv2DTranspose|
|:---:|:---:|:---:|:---:|:---:|
|**TF**|O|O|X|O|
|**TF-Keras**|O|O|X|O|
|**PyTorch**|X|O|X|X|
<br/><br/>
# 3. Command Usage
## 3.1. Blocks
### 3.1.1. Keras
#### 3.1.1.1. Conv1DBlock
>>> from ddesigner_api.tensorflow import dpi_blocks as db
>>> dtype='mixed_float16'
>>> db.Conv1DBlock(
64, 3, strides=1, padding='SAME', use_bias=False,
activation=tf.keras.layers.ReLU(dtype=dtype),
batchnormalization=tf.keras.layers.BatchNormalization(dtype=dtype),
dtype=dtype,
transform=4, max_scale=4.0,
pruning=0.5
)
#### 3.1.1.2. Conv2DBlock
>>> from ddesigner_api.tensorflow import dpi_blocks as db
>>> dtype='mixed_float16'
>>> db.Conv2DBlock(
64, (3,3), strides=(1,1), padding='SAME', use_bias=False,
activation=tf.keras.layers.ReLU(dtype=dtype),
batchnormalization=tf.keras.layers.BatchNormalization(dtype=dtype),
dtype=dtype,
transform=4, max_scale=4.0,
pruning=0.5
)
#### 3.1.1.3. FCBlock
>>> from ddesigner_api.tensorflow import dpi_blocks as db
>>> dtype='mixed_float16'
>>> db.FCBlock(
64, use_bias=False,
activation=tf.keras.layers.ReLU(dtype=dtype),
dtype=dtype,
)
#### 3.1.1.4. TConv2DBlock
>>> from ddesigner_api.tensorflow import dpi_blocks as db
>>> dtype='mixed_float16'
>>> db.TConv2DBlock(
64, (3,3), strides=(2,2), padding='SAME', use_bias=False,
activation=tf.keras.layers.ReLU(dtype=dtype),
batchnormalization=tf.keras.layers.BatchNormalization(dtype=dtype),
dtype=dtype,
transform=4, max_scale=4.0,
pruning=0.5
)
<br/>
## 3.2. XWN
### 3.2.1. Tensorflow
>>> from ddesigner_api.tensorflow.xwn import tf_nn as nn
>>> nn.conv2d(
x,
kernel,
...
use_transform=True,
bit=4,
max_scale=4.0,
use_pruning=False
)
### 3.2.2. Keras
>>> from ddesigner_api.tensorflow.xwn import keras_layers as klayers
>>> klayers.Conv2D(
2, 3,
...
use_transform=True,
bit=4,
max_scale=4.0
use_pruning=True,
prun_weight=0.5
)
### 3.2.3. PyTorch
>>> from ddesigner_api.pytorch.xwn import torch_nn as nn
>>> nn.Conv2d(
in_channels=1,
out_channels=2,
...
use_transform=True,
bit=4,
max_scale=4.0,
use_pruning=False
)
<br/>
## 3.3. Examples
### 3.3.1. Tensorflow
>>> import ddesigner_api.tensorflow.examples.examples_tensorflow as ex
>>> ex.main()
>>> ====== TENSORFLOW Examples======
>>> 1: Fixed Float32 Input Conv2D
>>> q: Quit
>>> Select Case: ...
### 3.3.2. Keras
>>> import ddesigner_api.tensorflow.examples.examples_keras as ex
>>> ex.main()
>>> ====== KERAS Examples======
>>> 1: Fixed Float32 Input Conv2D
>>> 2: Random Float32 Input Conv2D
>>> 3: Random Float32 Input Conv2DTranspose
>>> 4: Random Float16 Input Conv2D
>>> q: Quit
>>> Select Case: ...
### 3.3.3. PyTorch
>>> import ddesigner_api.pythorch.examples.examples_pytorch as ex
>>> ex.main()
>>> ====== PYTORCH Examples======
>>> 1: Fixed Float32 Input Conv2D
>>> 2: Random Float32 Input Conv2D
>>> q: Quit
>>> Select Case: ...
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl DDesignerAPI-0.0.2.2:
pip install DDesignerAPI-0.0.2.2.whl
نصب پکیج tar.gz DDesignerAPI-0.0.2.2:
pip install DDesignerAPI-0.0.2.2.tar.gz