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

Balanced kmeans with cuda support in Pytorch.

ویژگی	مقدار
سیستم عامل	-
نام فایل	balanced-kmeans-0.1.0
نام	balanced-kmeans
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	@giannisdaras
ایمیل نویسنده	daras.giannhs@gmail.com
آدرس صفحه اصلی	https://github.com/giannisdaras/balanced_kmeans
آدرس اینترنتی	https://pypi.org/project/balanced-kmeans/
مجوز	License :: OSI Approved :: MIT License

# Balanced K-Means clustering in PyTorch Balanced K-Means clustering in Pytorch with strong GPU acceleration. **Disclaimer:** This project is heavily inspired by the project [kmeans_pytorch](https://github.com/subhadarship/kmeans_pytorch). Each part of the original implementation is combined with the appropriate attribution. # Installation As easy as: `pip install balanced_kmeans` # Getting started First things first: Classical kmeans algorithm as easy as ``` from balanced_kmeans import kmeans # experiment constants N = 10000 batch_size = 10 num_clusters = 100 device = 'cuda' cluster_size = N // num_clusters X = torch.rand(batch_size, N, dim, device=device) choices, centers = kmeans(X, num_clusters=num_clusters) ``` Now, if you want balanced kmeans you can run: ``` from balanced_kmeans import kmeans_equal N = 10000 batch_size = 10 num_clusters = 100 device = 'cuda' cluster_size = N // num_clusters X = torch.rand(batch_size, N, dim, device=device) choices, centers = kmeans_equal(X, num_clusters=num_clusters) ``` By default, forge initialization scheme is used for initial cluster centers. However, you may change the initial cluster centers by providing the keyword argument `initial_state` to either `kmeans` or `kmeans_equal`. # Contributing This is a pet project, so feel free to contribute if you want to add any extra feature. For any bugs, please open a detailed issue. # Credits This implementation extends the package `kmeans_pytorch` which contains the implementation of the original Lloyd's K-means algorithm in Pytorch. You can check (and star!) the original package [here](https://github.com/subhadarship/kmeans_pytorch). For licensing of this project, please refer to this repo as well as the `kmeans_pytorch` repo.

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl balanced-kmeans-0.1.0:

pip install balanced-kmeans-0.1.0.whl

نصب پکیج tar.gz balanced-kmeans-0.1.0:

pip install balanced-kmeans-0.1.0.tar.gz