معرفی شرکت ها
EasyNN-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
EasyNN is a python package designed to provide an easy-to-use neural network. The package is designed to work right out of the box, while also allowing the user to customize features as they see fit.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | EasyNN-0.2.2 |
| نام | EasyNN |
| نسخه کتابخانه | 0.2.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Jack Nguyen |
| ایمیل نویسنده | Daniel Wilczak <danielwilczak101@gmail.com> |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/EasyNN/ |
| مجوز | mit |
# EasyNN - Neural Networks made Easy
EasyNN is a python package designed to provide an easy-to-use Neural Network. The package is designed to work right out of the box with multiple datasets, while also allowing the user to customize features as they see fit.
### EasyNN requires Python version 3.9.7 or greater.
## See our [wiki](https://github.com/danielwilczak101/EasyNN/wiki) for more information and [Datasets](https://github.com/danielwilczak101/EasyNN/wiki).
## Installation:
Run python's pip3 to install:
```Python
pip3 install EasyNN
```
### Model:
```Python
from EasyNN.examples.mnist.number.trained import model
# Classify an image.
print(model.classify(image))
```
### Dataset Example:
```Python
from EasyNN.examples.mnist.number.trained import model
from EasyNN.examples.mnist.number.data import dataset
images, labels = dataset
# Classify what the second image is in the dataset.
print(model.classify(images[1]))
# Show the image.
model.show(images[1])
```
### Dataset example output:
```
Downloading - number_parameters.npz:
[################################] 1769/1769 - 00:00:00
Downloading - number_structure.pkl:
[################################] 10700/10700 - 00:00:00
Downloading - number_dataset.npz:
[################################] 11221/11221 - 00:00:00
0
```
### Full example:
More info can be found about [converting images](https://github.com/danielwilczak101/EasyNN/wiki/Image-Utility) in the utilities section.
```Python
from EasyNN.examples.mnist.number.trained import model
from EasyNN.utilities import Preprocess, download
# Download an example image.
download("three.jpg","https://bit.ly/3dbO1eV")
format_options = dict(
grayscale=True,
invert=True,
process=True,
contrast=30,
resize=(28, 28),
rotate=3,
)
# Converting your image into the correct format for the mnist number dataset.
image = Preprocess("three.jpg").format(**format_options)
# Classify what the image is using the pretrained model.
print(model.classify(image))
# Show the image after it has been processed.
model.show(image)
```
### Output:
```bash
Downloading - four.jpg:
[################################] 1371/1371 - 00:00:00
3
```
### Image output:
<p align="center">
<img width="400px" height="400px" src="https://raw.githubusercontent.com/danielwilczak101/EasyNN/media/images/example_three.png">
</p>
### Trained Models
Use the trained models section to see EasyNN's datasets and pre-trained neural networks ready to run.
<br />
[MNIST Number](https://github.com/danielwilczak101/EasyNN/wiki/MNIST-Numbers) Classifier network for images of handwritten single digits between 0 and 9.
[MNIST Fashion](https://github.com/danielwilczak101/EasyNN/wiki/MNIST-Fashion) Classifier network for ten classes of human clothing images of the size 28x28 pixels.
[Cifar 10](https://github.com/danielwilczak101/EasyNN/wiki/Cifar10) Classifier network for ten types of images varying from airplane, cat, dog, etc - 32x32 RGB images.
## To see more examples with many other datasets. Please visit our [wiki](https://github.com/danielwilczak101/EasyNN/wiki).
نیازمندی
| مقدار | نام |
|---|---|
| ~=3.3.2 | matplotlib |
| >=0.5.1 | clint |
| >=0.8.7 | tabulate |
| >=2.26.0 | requests |
| >=1.21.3 | numpy |
| >=2.0.0 | nptyping |
| ==4.11.1 | beautifulsoup4 |
| ==2.4.1 | google-search-results |
| ==1.1.1 | prettyformatter |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl EasyNN-0.2.2:
pip install EasyNN-0.2.2.whl
نصب پکیج tar.gz EasyNN-0.2.2:
pip install EasyNN-0.2.2.tar.gz