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 flexible trainer interface for Jax and Haiku.

ویژگی	مقدار
سیستم عامل	-
نام فایل	bax-0.1.9
نام	bax
نسخه کتابخانه	0.1.9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Ryan Strauss
ایمیل نویسنده	ryanrstrauss@icloud.com
آدرس صفحه اصلی	https://github.com/rystrauss/bax
آدرس اینترنتی	https://pypi.org/project/bax/
مجوز	LICENSE

# Bax Bax, short for "boilerplate jax", is a small library that provides a flexible trainer interface for Jax. Bax is rather strongly opinionated in a few ways. First, it is designed for use with the [Haiku](https://github.com/deepmind/dm-haiku) neural network library and is not compatible with e.g. [Flax](https://github.com/google/flax). Second, Bax assumes that data will be provided as a `tf.data.Dataset`. The goal of this library is not to be widely compatible and high-level (like [Elegy](https://github.com/poets-ai/elegy)). If you are okay with making the above assumptions, then Bax will hopefully make your life much easier by implementing the boilerplate code involved in neural network training loops. Please note that this library has not yet been extensively tested. ## Installation You can install Bax via pip: ``` pip install bax ``` ## Usage Below are some simple examples that illustrate how to use Bax. ### MNIST Classification ```python import optax import tensorflow_datasets as tfds import haiku as hk import jax.numpy as jnp import jax from bax.trainer import Trainer # Use TensorFlow Datasets to get our MNIST data. train_ds = tfds.load("mnist", split="train").batch(32, drop_remainder=True) test_ds = tfds.load("mnist", split="test").batch(32, drop_remainder=True) # The loss function that we want to minimize. def loss_fn(step, is_training, batch): model = hk.Sequential([hk.Flatten(), hk.nets.MLP([128, 128, 10])]) preds = model(batch["image"] / 255.0) labels = jax.nn.one_hot(batch["label"], 10) loss = jnp.mean(optax.softmax_cross_entropy(preds, labels)) accuracy = jnp.mean(jnp.argmax(preds, axis=-1) == batch["label"]) # The first returned value is the loss, which is what will be minimized by the # trainer. The second value is a dictionary that can contain other metrics you # might be interested in (or, it can just be empty). return loss, {"accuracy": accuracy} trainer = Trainer(loss=loss_fn, optimizer=optax.adam(0.001)) # Run the training loop. Metrics will be printed out each time the validation # dataset is evaluated (in this case, every 1000 steps). trainer.fit(train_ds, steps=10000, val_dataset=test_ds, validation_freq=1000) ```

نیازمندی

مقدار	نام
>=0.0.6	dm-haiku
>=0.3.13	jax
>=0.1.2	optax
>=0.0.2	jmp
>=0.1.3	chex
>=2.9.0	keras
>=2.9.0	tensorflow
>=12.4.1	rich

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl bax-0.1.9:

pip install bax-0.1.9.whl

نصب پکیج tar.gz bax-0.1.9:

pip install bax-0.1.9.tar.gz