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 simple autograd library

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	Torch-Yottaxx-0.1.3
نام	Torch-Yottaxx
نسخه کتابخانه	0.1.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Yotta
ایمیل نویسنده	xiaoz987@gmail.com
آدرس صفحه اصلی	https://github.com/Yottaxx/YottaTorch
آدرس اینترنتی	https://pypi.org/project/Torch-Yottaxx/
مجوز	-

# Simple Torch `implement by numpy` ## autograd ### tensor Implement: Basic computing between tensors,also,recording depedency between tensors and grad of tensors. ### function Implement: Activation function.There is only tanh currently. ### parameter Implement: Quick create random tensors with requires_grad=True. ### module Implement: Recording of all parameters ### optim Implement: Optimizing for module. ## tests Test for autograd function <br> # example ## fizz_buzz ```python import numpy as np from typing import List from autograd import Tensor, Parameter, Module from autograd.optim import SGD from autograd.function import tanh """ print the numbers 1 to 100, except if the number is divisible by 3 print "fizz" if the number is divisible by 5 print "fizz" if the number is divisible by 15 print "fizz_buzz" """ def binary_encode(x: int) -> List[int]: return [x >> i & 1 for i in range(10)] def fizz_buzz_encode(x: int) -> List[int]: if x % 15 == 0: return [0, 0, 0, 1] elif x % 5 == 0: return [0, 0, 1, 0] elif x % 3 == 0: return [0, 1, 0, 0] else: return [1, 0, 0, 0] x_train = Tensor([binary_encode(x) for x in range(101, 1024)]) y_train = Tensor([fizz_buzz_encode(x) for x in range(101, 1024)]) class FizzBuzzModule(Module): def __init__(self, num_hidden: int = 50) -> None: self.w1 = Parameter(10, num_hidden) self.b1 = Parameter(num_hidden) self.w2 = Parameter(num_hidden, 4) self.b2 = Parameter(4) def predict(self, in_puts: Tensor): # inputs (batch_size,10) x1 = inputs @ self.w1 + self.b1 # (batch_size,num_hidden) x2 = tanh(x1) x3 = x2 @ self.w2 + self.b2 # (batch_size,4) return x3 optimizer = SGD(lr=0.001) batch_size = 32 module = FizzBuzzModule() starts = np.arange(0, x_train.shape[0], batch_size) for epoch in range(10000): epoch_loss = 0.0 np.random.shuffle(starts) for start in starts: end = start + batch_size module.zero_grad() inputs = x_train[start:end] predicted = module.predict(inputs) actual = y_train[start:end] errors = predicted - actual loss = (errors * errors).sum() loss.backward() epoch_loss += loss.data optimizer.step(module) print(epoch, epoch_loss) num_correct = 0 for x in range(1, 101): inputs = Tensor([binary_encode(x)]) predicted = module.predict(inputs)[0] predicted_idx = np.argmax(predicted.data) actual_idx = np.argmax(fizz_buzz_encode(x)) labels = [str(x), "fizz", "buzz", "fizz_buzz"] if predicted_idx == actual_idx: num_correct += 1 print(x, labels[predicted_idx], labels[actual_idx]) print(num_correct,"/100") ```

نیازمندی

مقدار	نام
-	numpy
-	pytest

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl Torch-Yottaxx-0.1.3:

pip install Torch-Yottaxx-0.1.3.whl

نصب پکیج tar.gz Torch-Yottaxx-0.1.3:

pip install Torch-Yottaxx-0.1.3.tar.gz