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

batchify anything

ویژگی	مقدار
سیستم عامل	-
نام فایل	batchify-0.0.3
نام	batchify
نسخه کتابخانه	0.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Michael Arcidiacono
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/mixarcid/batchify
آدرس اینترنتی	https://pypi.org/project/batchify/
مجوز	-

# batchify: structured data in pytorch PyTorch can already batchify tensors (and tuples of tensors), but what about arbitrary classes? If your neural network is dealing with complex datatypes, structuring your data in classes is the solution. With batchify, you can seemlessly return classes in a pytorch dataset. As an example, let's say you want your neural network do something with people. People, as we all know, are faces and names ```python import torch from batchify import Batch, Batchable MAX_NAME_LEN = 128 IMG_SIZE = 256 class Person(Batchable): face: torch.Tensor name: torch.Tensor def __init__(self): # not a very interesting person self.face = torch.zeros((3, IMG_SIZE, IMG_SIZE)) self.name = torch.zeros((MAX_NAME_LEN,)) ``` Now here's the fun part: we can make a batch of people. This automatically batchifies both the face and the name ```python dave = Person() rhonda = Person() batch = Batch([dave, rhonda]) print(len(batch)) print(dave.name.shape) print(batch.name.shape) # notice the extra batch dimension print(batch[0].name.shape) # un-batchification ``` 2 torch.Size([128]) torch.Size([2, 128]) torch.Size([128]) But what about a custom person dataset? Pretty easy with the batchify dataloader ```python from batchify import DataLoader class PersonDataset(torch.utils.data.Dataset): def __len__(self): return 16 def __getitem__(self, index): return Person() batch_size = 8 dataset = PersonDataset() loader = DataLoader(dataset, batch_size=batch_size) for batch in loader: print(batch.face.shape) ``` torch.Size([8, 3, 256, 256]) torch.Size([8, 3, 256, 256]) This is all great if you want to input a Person into your network. But what if you want to _output_ a person? (**warning**: this functionality only works if you have correct type annotations on your Batchable classes) ```python out_batch = Batch(Person, face=torch.zeros((batch_size, 3, IMG_SIZE, IMG_SIZE)), name=torch.zeros((batch_size, MAX_NAME_LEN))) print(len(out_batch)) print(out_batch[0].name.shape) ``` 8 torch.Size([128])

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl batchify-0.0.3:

pip install batchify-0.0.3.whl

نصب پکیج tar.gz batchify-0.0.3:

pip install batchify-0.0.3.tar.gz