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

DLTrainer is an easy to use framework for quickly setting up deep learning experiments. This includes CPU, single GPU and distributed GPU experiments. Currently, this package only supports PyTorch. This packages is primarily designed for running experiments from the command line, so that workloads can be easily ran in the cloud.

ویژگی	مقدار
سیستم عامل	-
نام فایل	DLTrainer-0.1.2
نام	DLTrainer
نسخه کتابخانه	0.1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Nick Vasko
ایمیل نویسنده	nicholas.d.vasko@gmail.com
آدرس صفحه اصلی	https://github.com/nickvasko/DLTrainer
آدرس اینترنتی	https://pypi.org/project/DLTrainer/
مجوز	-

# Introduction DLTrainer is an easy to use framework for quickly setting up deep learning experiments. This includes CPU, single GPU and distributed GPU experiments. Currently, this package only supports PyTorch. This packages is primarily designed for running experiments from the command line, so that workloads can be easily ran in the cloud. # Installation ```sh pip install DLTrainer ``` # Usage You can get started running your experiment with the following setup. This is just a short overview, the examples folder can be used for an example of an actual setup. An example folder structure is shown below. It is fine to deviate from this structure, however, you will need to ensure your run.py file can import your custom models, datasets and metrics. Additionally, you can put your data folder anywhere so long as your set the `--data_dir` argument correctly. You must specify how to load your data in your custom Dataset class, therefore, you may name these files however you like. ├── your_project ├── your_data ├──train.pkl # your training set ├──dev.pkl # your dev set ├── model.py # your custom model class ├── dataset.py # your custom dataset specific to your task (see https://pytorch.org/tutorials/beginner/basics/data_tutorial.html) for more details ├── metrics.py # functions to calculate your task specific metrics ├── run.py A quick example of run.py using the above file structure. ```python from DLTrainer.pytorch import DLTrainer # custom file imports from model import your_config_class, your_model_class from dataset import your_dataset_class from metrics import your_metrics_func MODELS = { 'my_model': (your_config_class, your_model_class, your_dataset_class), } if __name__ == "__main__": trainer = DLTrainer(MODELS, metrics_fn=calculate_metrics) ``` The following command will execture training using this script for 1 training epoch. ```sh python run.py --model my_model --data_dir data --run-name sample_run --do_train --num_train_epochs 1 ``` To see a see a full list of DLTrainer input arguments run: ```sh python run.py --help ```

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl DLTrainer-0.1.2:

pip install DLTrainer-0.1.2.whl

نصب پکیج tar.gz DLTrainer-0.1.2:

pip install DLTrainer-0.1.2.tar.gz