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

A small library of hand-rolled deep learning models

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	LensFlare-0.0.1
نام	LensFlare
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Gordon MacMillan
ایمیل نویسنده	gmacilla@ymail.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/LensFlare/
مجوز	-

# LensFlare LensFlare is an example package I created to help myself and others better understand neural networks. A lot of the code is based off work that I did in the [Coursera deeplearning.ai course](https://www.coursera.org/specializations/deep-learning) An example work flow is shown below: ```python import tensorflow as tf from lensflare.classification import TfNNClassifier from lensflare.util import load_moons_dataset ``` ```python X_train, y_train = load_moons_dataset() ``` ![png](lensflare_api_example_files/lensflare_api_example_2_0.png) ```python tf.reset_default_graph() # layer_dims contains neural network structure parameters layers_dims=[X_train.shape[0], 200, 80, 10, 1] clf = TfNNClassifier(layers_dims=layers_dims, optimizer="adam", lambd=.05, keep_prob=0.7, num_epochs=5000) clf.fit(X_train, y_train, seed=3) y_pred_train = clf.transform(X_train, y_train) ``` Cost after epoch 0: 1.036825 Cost after epoch 1000: 0.108737 Cost after epoch 2000: 0.104837 Cost after epoch 3000: 0.106805 Cost after epoch 4000: 0.105311 INFO:tensorflow:Restoring parameters from results/model Training Accuracy: 0.983333333333 ```python from lensflare.funcs.tf_funcs import plot_decision_boundary, predict_dec # Plot decision boundary predictions, X, dropout_var, sess = predict_dec() model = lambda X_train: sess.run([predictions], feed_dict={X:X_train, dropout_var: 1.0}); plot_decision_boundary(model, X_train, y_train) sess.close() ``` INFO:tensorflow:Restoring parameters from results/model ![png](lensflare_api_example_files/lensflare_api_example_4_1.png)

نحوه نصب

نصب پکیج whl LensFlare-0.0.1:

pip install LensFlare-0.0.1.whl

نصب پکیج tar.gz LensFlare-0.0.1:

pip install LensFlare-0.0.1.tar.gz