معرفی شرکت ها

OneFlow-Hassi34-0.0.7

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
0.0.7
0.0.6
0.0.5
0.0.4
0.0.7
0.0.6
0.0.5
0.0.4

توضیحات

It's an Implementation of ANN with callbacks
ویژگی مقدار
سیستم عامل OS Independent
نام فایل OneFlow-Hassi34-0.0.7
نام OneFlow-Hassi34
نسخه کتابخانه 0.0.7
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Hassi34
ایمیل نویسنده hasnainmehmood3435@gmail.com
آدرس صفحه اصلی https://github.com/Hassi34/OneFlow
آدرس اینترنتی https://pypi.org/project/OneFlow-Hassi34/
مجوز -
# OneFlow It is a Package having the Implementation of ANN with callbacks ## 🔗 Project Link Check out the Pypi Package [here](https://pypi.org/project/OneFlow-Hassi34/) ## Run Locally Create two files in your working directory: * config.yaml * training.py ## config.yaml ```yaml params: epochs : 3 batch_size : 32 num_classes : 10 input_shape : [28, 28] loss_function : sparse_categorical_crossentropy metrics : accuracy optimizer : SGD validation_datasize : 5000 es_patience : 5 artifacts: artifacts_dir : artifacts model_dir : model plots_dir : plots model_name : model.h5 plot_name : results_plot.png model_ckpt_dir : ModelCheckpoints callbacked_model_name : model_ckpt.h5 logs: logs_dir : logs_dir general_logs : general_logs tensorboard_root_log_dir : tensorboard_logs ``` ## training.py ```python from OneFlow.utils.common import read_config from OneFlow.utils.data_mgmt import get_data from OneFlow.utils.model import StepFlow import argparse, os def training(config_path): config = read_config(config_path) validation_datasize = config["params"]["validation_datasize"] #This "get_data" function is loading the mnist dataset, bring your own and divide into categories to perform the custom training (X_train, y_train), (X_valid, y_valid), (X_test, y_test) = get_data(validation_datasize) sp = StepFlow(config, X_train, y_train, X_valid, y_valid) sp.create_model() sp.fit_model() sp.save_final_model() sp.save_plot() if __name__ == "__main__": args = argparse.ArgumentParser() args.add_argument("-c", "--config", default="config.yaml") parsed_args = args.parse_args() training(config_path = parsed_args.config) ``` Then run the following commands on the termial ```bash pip install OneFlow-Hassi34 python training.py ``` ##### On completion of training, run the following command on termial and observe the metrics on tensorboard ```bash tensorboard --logdir=logs_dir/tensorboard_logs/ ```


نیازمندی

مقدار نام
- tensorflow
- matplotlib
- pandas
- seaborn
- numpy
- PyYAML


زبان مورد نیاز

مقدار نام
>=3.7 Python


نحوه نصب


نصب پکیج whl OneFlow-Hassi34-0.0.7:

    pip install OneFlow-Hassi34-0.0.7.whl


نصب پکیج tar.gz OneFlow-Hassi34-0.0.7:

    pip install OneFlow-Hassi34-0.0.7.tar.gz