معرفی شرکت ها
aironsuit-0.1.9
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 بیشترتوضیحات
A model wrapper for automatic model design and visualization purposes.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | aironsuit-0.1.9 |
| نام | aironsuit |
| نسخه کتابخانه | 0.1.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Claudi Ruiz Camps |
| ایمیل نویسنده | claudi_ruiz@hotmail.com |
| آدرس صفحه اصلی | https://github.com/AtrejuArtax/aironsuit |
| آدرس اینترنتی | https://pypi.org/project/aironsuit/ |
| مجوز | BSD |
# AIronSuit
AIronSuit (Beta) is a Python library for automatic model design/selection and visualization purposes built to work with
[tensorflow](https://github.com/tensorflow/tensorflow)
as a backend. It aims to accelerate
the development of deep learning approaches for research/development purposes by providing components relying on cutting
edge approaches. It is flexible and its components can be
replaced by customized ones from the user. The user mostly focuses on defining the input and output,
and AIronSuit takes care of its optimal mapping.
Key features:
1. Automatic model design/selection with [hyperopt](https://github.com/hyperopt/hyperopt).
2. Parallel computing for multiple models across multiple GPUs when using a k-fold approach.
3. Built-in model trainer that saves training progression to be visualized with
[TensorBoard](https://github.com/tensorflow/tensorboard).
4. Machine learning tools from [AIronTools](https://github.com/AtrejuArtax/airontools): `model_constructor`, `block_constructor`,
`layer_constructor`, preprocessing utils, etc.
5. Flexibility: the user can replace AIronSuit components by a customized one. For instance,
the model constructor can be easily replaced by a customized one.
### Installation
`pip install aironsuit`
### Example
``` python
# Databricks notebook source
import numpy as np
from hyperopt.hp import choice
from hyperopt import Trials
from tensorflow.keras.datasets import mnist
from tensorflow.keras.optimizers import Adam
import os
from aironsuit.suit import AIronSuit
from airontools.preprocessing import train_val_split
from airontools.constructors.models.unsupervised import ImageVAE
from airontools.tools import path_management
HOME = os.path.expanduser("~")
OS_SEP = os.path.sep
# COMMAND ----------
# Example Set-Up #
model_name = 'VAE_NN'
working_path = os.path.join(HOME, 'airon', model_name) + OS_SEP
num_classes = 10
batch_size = 128
epochs = 30
patience = 3
max_evals = 3
max_n_samples = None
precision = 'float32'
# COMMAND ----------
# Make/remove paths
path_management(working_path, modes=['rm', 'make'])
# COMMAND ----------
# Load and preprocess data
(train_dataset, target_dataset), _ = mnist.load_data()
if max_n_samples is not None:
train_dataset = train_dataset[-max_n_samples:, ...]
target_dataset = target_dataset[-max_n_samples:, ...]
train_dataset = np.expand_dims(train_dataset, -1) / 255
# Split data per parallel model
x_train, x_val, _, meta_val, _ = train_val_split(input_data=train_dataset, meta_data=target_dataset)
# COMMAND ----------
# VAE Model constructor
def vae_model_constructor(latent_dim):
# Create VAE model and compile it
vae = ImageVAE(latent_dim)
vae.compile(optimizer=Adam())
return vae
# COMMAND ----------
# Hyper-parameter space
hyperparam_space = {'latent_dim': choice('latent_dim', np.arange(3, 6))}
# COMMAND ----------
# Invoke AIronSuit
aironsuit = AIronSuit(
model_constructor=vae_model_constructor,
force_subclass_weights_saver=True,
force_subclass_weights_loader=True,
path=working_path
)
# COMMAND ----------
# Automatic Model Design
print('\n')
print('Automatic Model Design \n')
aironsuit.design(
x_train=x_train,
x_val=x_val,
hyper_space=hyperparam_space,
max_evals=max_evals,
epochs=epochs,
trials=Trials(),
name=model_name,
seed=0,
patience=patience
)
aironsuit.summary()
del x_train
# COMMAND ----------
# Get latent insights
aironsuit.visualize_representations(
x_val,
metadata=meta_val,
hidden_layer_name='z',
)
```
### More Examples
see usage examples in [aironsuit/examples](https://github.com/AtrejuArtax/aironsuit/tree/master/examples)
نیازمندی
| مقدار | نام |
|---|---|
| - | numpy |
| - | pandas |
| - | scikit-learn |
| - | hyperopt |
| ==2.7.0 | tensorflow |
| ==2.7.0 | tensorboard |
| - | tensorflow-datasets |
| ==0.1.17 | airontools |
نحوه نصب
نصب پکیج whl aironsuit-0.1.9:
pip install aironsuit-0.1.9.whl
نصب پکیج tar.gz aironsuit-0.1.9:
pip install aironsuit-0.1.9.tar.gz