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

Keras Layer to apply Quantile transform and its inverse

ویژگی	مقدار
سیستم عامل	-
نام فایل	FastQuantileLayer-0.2.1
نام	FastQuantileLayer
نسخه کتابخانه	0.2.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Lucio Anderlini
ایمیل نویسنده	l.anderlini@gmail.com
آدرس صفحه اصلی	https://github.com/landerli/FastQuantileLayer
آدرس اینترنتی	https://pypi.org/project/FastQuantileLayer/
مجوز	-

# FastQuantileLayer FastQuantileLayer is a Layer for Keras implementing the QuantileTransform similarly to scikit-learn QuantileTransformer. A similar implementation, more precise but not bound to Keras, can be found here: https://github.com/yandexdataschool/QuantileTransformerTF/blob/master/README.md The purpose of this package is: - remove all dependencies on scikit-learn - obtain an evaluation of the direct and inverse transform as fast as possible (trading some precision for performance) - obtain a TensorFlow graph runnable in a Sequential model in Keras The package is composed of two classes: - *FixedBinInterpolator*: intended to interpolate a point-defined function y = f(x) with equidistant x samples (x-grid) - *FastQuantileLayer*: intended to compute the transform to preprocess the input data into a uniform- or normal-distributed variable. ### Example outside Keras ``` ## Creates the training dataset dataset = np.random.uniform ( 0., 1., 1000 ) ## Train the QuantileTransformer transformer = FastQuantileLayer (output_distribution='normal') transformer . fit ( dataset ) ## Gets a new dataset with the same distribution as the training dataset test_dataset = tf.constant(np.random.uniform ( 0., 1., 100000 )) ## Transform the variable into a Gaussian-distributed variable t t = transformer . transform ( test_dataset ) [...] ## Appiles the inverted transform to the Gaussian distributed variable t bkwd = transformer . transform ( t, inverse=True ) ## bkwd differs from test_dataset only for computational errors ## (order 1e-5) that can be reduced tuning the arguments of QuantileTransformer ``` ### Example within Keras ``` ## Creates the training dataset dataset = np.random.uniform ( 0., 1., 1000 ) model = tf.keras.models.Sequential() model.add ( FastQuantileLayer ( output_distribution = 'normal' ).fit ( dataset ) ) model.add ( Dense ( 10, activation = 'tanh' ) ) model.add ( Dense ( 1, activation = 'sigmoid' ) ) ```

نحوه نصب

نصب پکیج whl FastQuantileLayer-0.2.1:

pip install FastQuantileLayer-0.2.1.whl

نصب پکیج tar.gz FastQuantileLayer-0.2.1:

pip install FastQuantileLayer-0.2.1.tar.gz