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

Deep Recursive Embedding for High-Dimensional Data

ویژگی	مقدار
سیستم عامل	-
نام فایل	DRE-1.1.9
نام	DRE
نسخه کتابخانه	1.1.9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Xinrui Zu
ایمیل نویسنده	zuxinrui95@gmail.com
آدرس صفحه اصلی	https://github.com/zuxinrui/DRE
آدرس اینترنتی	https://pypi.org/project/DRE/
مجوز	LICENSE

# Deep Recursive Embedding Deep Recursive Embedding (DRE) is a novel demensionality reduction method based on a generic deep embedding network (DEN) framework, which is able to learn a parametric mapping from high-dimensional space to low-dimensional space, guided by a recursive training strategy. DRE makes use of the latent data representations for boosted embedding performance. Lab github DRE page: [Tao Lab](https://github.com/tao-aimi/DeepRecursiveEmbedding) Maintainer's github DRE page: [Xinrui Zu](https://github.com/zuxinrui/DeepRecursiveEmbedding) ## MNIST embedding result ![gif](/images/MNIST-conv.gif) ## Installation DRE can be installed with a simple PyPi command: `pip install DRE` The pre-requests of DRE are: `numpy >= 1.19` `scikit-learn >= 0.16` `matplotlib` `numba >= 0.34` `torch >= 1.0` ## How to use DRE DRE follows the form of `Scikit-learn` APIs, whose `fit_transform` function is for returning the embedding result and `fit` for the whole model: ```python from DRE import DeepRecursiveEmbedding dre = DeepRecursiveEmbedding() # return the embedding result: y = dre.fit_transform(x) # or return the whole model: dre.fit(x) ``` Copy and run `test_mnist.py` or `test_mnist.ipynb` to check the embedding procedure of MNIST dataset. ##

نیازمندی

مقدار	نام
>=0.16	scikit-learn
>=0.34	numba
>=1.0	torch
-	tqdm
-	ipywidgets

نحوه نصب

نصب پکیج whl DRE-1.1.9:

pip install DRE-1.1.9.whl

نصب پکیج tar.gz DRE-1.1.9:

pip install DRE-1.1.9.tar.gz