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

Python implementation for the GraFT model presented in https://pubmed.ncbi.nlm.nih.gov/35533160/

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	GraFT-Python-0.0.2
نام	GraFT-Python
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Noga Mudrik
ایمیل نویسنده	<nmudrik1@jhmi.edu>
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/GraFT-Python/
مجوز	-

# GraFT_Python #### This is a Python implementation for the GraFT method described in Charles, Adam S., et al. "Graft: graph filtered temporal dictionary learning for functional neural imaging." IEEE Transactions on Image Processing 31 (2022): 3509-3524.[link](https://ieeexplore.ieee.org/abstract/document/9771089/). (The MATLAB code can be found [here](https://github.com/adamshch/GraFT-analysis)). ### Installation: Can be installed using pip: **pip install GraFT-Python** (see [here](https://pypi.org/project/GraFT-Python/) for further information) ### How to use? The main function used to run the algorithm is: **run_GraFT(data, corr_kern, params, to_save, to_return, ask_selected, selected)** run_GraFT(data = [], corr_kern = [], params = {}, to_save = True, to_return = True, ask_selected = True, selected = ['epsilon','step_s', 'p', 'nonneg', 'reduceDim','solver','norm_by_lambdas_vec'] ): """ This function runs the main graft algorithm. Parameters ---------- data : can be string of data path or a numpy array (pixels X pixels X time) or (pixels X time). Leave empty for default The default is []. In this case the calcium imaging dataset will be used. corr_kern : proximity kernel. Leave empty ([]) to re-create the kernel. params : dictionary of parameters, optional the full default values of the optional parameters are mentioned in dict_default. to_save : boolean, optional whether to save the results to .npy file. The default is True. to_return : boolean, optional whether to return results. The default is True. ask_selected : boolean, optional whether to ask the use about specific parameters. The default is True. selected : list of strings, optional relevant only if 'ask_selected' is true. . The default is ['epsilon','step_s', 'p', 'nonneg', 'reduceDim','solver','norm_by_lambdas_vec']. Raises ------ ValueError If invalid path Returns ------- A : np.ndarray (pixels X p) - neural maps phi : np.ndarray (time X p) temporal traces additional_return : dictionary with additional returns. Including error over iterations """ **In order to run the code, you need to call this function with the relevant inputs. If some inputs are not provided, the default values will be used (default parameters are described in the end)**__ ### Tree map of the code: * **run_GraFT()** - create kernel - data pre-processing * Call the main **GraFT()** function, iterating between: * update A and lambdas by **dictionaryRWL1SF()**: * lambdas is updated in **updateLambdasMat()** according to eq. 14 in the paper. * A is upated by a lasso solver in **singleGaussNeuroInfer()** (eq. 13 in the paper) * update \phi by gradient-descent in **dictionary_update()** (eq. 15 in the paper) ### Default Parameters: params_default = {'max_learn': 1e3, # Maximum number of steps in learning 'mean_square_error': 1, 'epsilon' : 1, # Default tau values to be spatially varying 'l1':0.7, # Default lambda parameter is 0.6 'l2': 0, # Default Forbenius norm parameter is 0 (don't use) 'l3': 0, # Default Dictionary continuation term parameter is 0 (don't use) 'lamContStp': 1, # Default multiplicative change to continuation parameter is 1 (no change) 'l4': 0, # Default Dictionary correlation regularization parameter is 0 (don't use) 'beta': 0.09, # Default beta parameter to 0.09 'maxiter': 0.01, # Default the maximum iteration to whenever Delta(Dictionary)<0.01 'numreps': 2, # Default number of repetitions for RWL1 is 2 'tolerance': 1e-8, # Default tolerance for lasso solver 'likely_form' : 'gaussian', # Default to a gaussian likelihood ('gaussian' or'poisson') 'step_s': 5, # Default step to reduce the step size over time (only needed for grad_type ='norm') 'step_decay': 0.999, # Default step size decay (only needed for grad_type ='norm') 'dict_max_error': 0.01, # Default learning tolerance: stop when Delta(Dictionary)<0.01 'p': 4, # Default number of dictionary elements is a function of the data 'verb': 1, # Default to no verbose output 'GD_iters': 1, # Default to one GD step per iteration 'bshow': 0, # Default to no plotting 'nonneg':True, # Default to not having negativity constraints on the coefficients 'plot': False, # Default to not plot spatial components during the learning 'updateEmbed' : False, # Default to not updateing the graph embedding based on changes to the coefficients 'mask': [], # for masked images (widefield data) 'normalizeSpatial' : False, # default behavior - time-traces are unit norm. when true, spatial maps normalized to max one and time-traces are not normalized 'patchSize': 50, 'motion_correct': False, 'kernelType': 'embedding', 'reduceDim': False, 'w_time': 0, 'n_neighbors':49, 'n_comps':2, 'solver_qp':'quadprog', 'solver': 'inv', 'nullify_some': False , 'norm_by_lambdas_vec': True, 'GD_type': 'norm', 'xmin' : 151 # slice to cut. Can sub-select a portion of the full FOV to test on a small section before running on the full dataset 'xmax' : 200, 'ymin' : 151, 'ymax' : 200, 'use_former_kernel' : False, 'usePatch' : False, 'portion' :True, 'divide_med' : False, 'data_0_1' : False, 'to_save' : True, 'default_path': r'E:\CODES FROM GITHUB\GraFT-analysis\code\neurofinder.02.00\images', 'save_error_iterations': True, 'max_images':800, 'dist_init': 'uniform', 'to_sqrt':True }

نیازمندی

مقدار	نام
-	numpy
-	matplotlib
-	scipy
-	pandas
-	webcolors
-	qpsolvers
-	seaborn
-	colormap
-	sklearn
-	pylops
-	dill
-	mat73
-	easydev

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl GraFT-Python-0.0.2:

pip install GraFT-Python-0.0.2.whl

نصب پکیج tar.gz GraFT-Python-0.0.2:

pip install GraFT-Python-0.0.2.tar.gz