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

Deep Neural Network module for classification/regression

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	QCNN-1.0.3
نام	QCNN
نسخه کتابخانه	1.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/QCNN/
مجوز	-

# Description Quantcore's implementation of a deep neural network. Used for classification and regression. #Usage The class takes a few requirements, # input nodes, # hidden nodes, # layers, # output nodes, # learning rate, # number of epochs, # output type (specified with r for regression, c for classification), # train test split = 0.8 (percentage you would like to train on), # test = True (turn it off if you don't want to test), split = True (turn it off if you don't want the data split) The train function takes one input, which is a DATAFRAME with the inputs and the outputs on the right side, e.g. ``` inputs = dataframe[:-1] outputs = dataframe[-1] ``` Do not separate inputs from outputs, just have the outputs as the righter most column in your df The call to train the function is class_.train(input) The call to test is class_.feed_forward(input) #Installation ``` pip install QCNN ``` #Sample Code ``` from QCNN import NeuralNetwork import pandas as pd nn= NeuralNetwork(2,2,3,1,.1,100000, train_test_split =1, split=False) data_dict = {0:{'input1':0,'input2':0,'output':0}, 1:{'input1':1,'input2':0,'output':1}, 2:{'input1':0,'input2':1,'output':1}, 3:{'input1':1,'input2':1,'output':0} } df = pd.DataFrame.from_dict(data_dict, orient = 'index') nn.train(df) ```

نیازمندی

مقدار	نام
>=2.2.2	matplotlib
>=0.22.0	pandas
>=1.18.2	numpy

نحوه نصب

نصب پکیج whl QCNN-1.0.3:

pip install QCNN-1.0.3.whl

نصب پکیج tar.gz QCNN-1.0.3:

pip install QCNN-1.0.3.tar.gz