معرفی شرکت ها

MetaNN-0.2.9

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.2.9
0.2.8
0.2.9
0.2.8
0.2.7
0.2.6

توضیحات

MetaNN provides extensions of PyTorch nn.Module for meta learning
ویژگی مقدار
سیستم عامل OS Independent
نام فایل MetaNN-0.2.9
نام MetaNN
نسخه کتابخانه 0.2.9
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Hanqiao Yu
ایمیل نویسنده yhqjohn@gmail.com
آدرس صفحه اصلی https://github.com/yhqjohn/MetaModule
آدرس اینترنتی https://pypi.org/project/MetaNN/
مجوز -
MetaNN for PyTorch Meta Learning ===================================== .. image:: https://readthedocs.org/projects/metann/badge/?version=latest :target: https://metann.readthedocs.io/en/latest/?badge=latest :alt: Documentation Status 1. Introduction ____________________ In meta learner scenario, it is common use dependent variables as parameters, and back propagate the gradient of the parameters. However, parameters of PyTorch Module are designed to be leaf nodes and it is forbidden for parameters to have grad_fn. Meta learning coders are therefore forced to rewrite the basic layers to adapt the meta learning requirements. This module provide an extension of torch.nn.Module, DependentModule that has dependent parameters, allowing the differentiable dependent parameters. It also provide the method to transform nn.Module into DependentModule, and turning all of the parameters of a nn.Module into dependent parameters. 2. Installation __________________ .. code-block:: python pip install MetaNN 3. Example ___________ PyTorch suggest all parameters of a module to be independent variables. Using DependentModule arbitrary torch.nn.module can be transformed into dependent module. .. code-block:: python from metann import DependentModule from torch import nn net = torch.nn.Sequential( nn.Linear(10, 100), nn.Linear(100, 5)) net = DependentModule(net) print(net) Higher-level api such as MAML class are more recommended to use. .. code-block:: python from metann.meta import MAML, default_evaluator_classification as evaluator from torch import nn net = torch.nn.Sequential( nn.Linear(10, 100), nn.Linear(100, 5)) ) maml = MAML(net, steps_train=5, steps_eval=10, lr=0.01) output = maml(data_train) loss = evaluator(output, data_test) loss.backward() 4. Documents _____________ The documents are available at ReadTheDocs. `MetaNN <https://metann.readthedocs.io/>`__ 5. License __________ `MIT <http://opensource.org/licenses/MIT>`__ Copyright (c) 2019-present, Hanqiao Yu


نیازمندی

مقدار نام
>=0.4.1 torch


زبان مورد نیاز

مقدار نام
>=3.6 Python


نحوه نصب


نصب پکیج whl MetaNN-0.2.9:

    pip install MetaNN-0.2.9.whl


نصب پکیج tar.gz MetaNN-0.2.9:

    pip install MetaNN-0.2.9.tar.gz