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 lightweight library to ease the training and the debugging of deep neural networks with PyTorch. Data structures and paradigms.

ویژگی	مقدار
سیستم عامل	-
نام فایل	booster-pytorch-0.0.2
نام	booster-pytorch
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Valentin Lievin
ایمیل نویسنده	valentin.lievin@gmail.com
آدرس صفحه اصلی	https://github.com/vlievin/booster-pytorch
آدرس اینترنتی	https://pypi.org/project/booster-pytorch/
مجوز	-

# Booster A lightweight library to ease the training and the debugging of deep neural networks with PyTorch. Data structures and paradigms. ## Data Structures ### Diagnostic A two level dictionary structure to store the model diagnostics. Compatible with Tensorboard datastructure. Example: ```python from booster import Diagnostic data = { 'loss' : {'nll' : [45., 58.], 'kl': [22., 18.]}, 'info' : {'batch_size' : 16, 'runtime' : 0.01} } diagnostic = Diagnostic(data) ``` ### Aggregator A module to compute the running average of the diagnostics. ```python from booster import Aggregator, Diagnostic aggregator = Aggregator() ... aggregator.initialize() for x in data_loader: data = optimization_step(model, data) aggregator.update(data) summmary = aggregator.data # summary is an instance of Diagnostic summmary = summary.to('cpu') ``` The output is a Diagnostic object and can easily be logged to Tensorboard. ```python # log to tensorboard writer = SummaryWriter(log_dir="...") summary.log(writer, global_step) ``` ## Evaluator The Evaluator computes a forward pass through the model, the loss and additional Diagnostics. ```python from booster.evaluation import Classification model = Classifier() evaluator = Classification(categories=10) # evaluate model data = next(iter(loader)) loss, diagnostics, output = evaluator(model, data) ``` ## Pipeline: model + evaluator The pipeline fuses the model forward pass with the evaluator and can be wrapped into a custom Dataparallel class that handles the diagnostics. ```python from booster import Pipeline, DataParallelPipeline # fuse model + evaluator pipeline = Pipeline(model, evaluator) # wrap as DataParallel parallel_pipeline = DataParallelPipeline(pipeline, device_ids=device_ids) # evaluate model on multiple devices and gather loss and diagnostics data = next(iter(loader)) loss, diagnostics, output = parallel_pipeline(data) ```

نحوه نصب

نصب پکیج whl booster-pytorch-0.0.2:

pip install booster-pytorch-0.0.2.whl

نصب پکیج tar.gz booster-pytorch-0.0.2:

pip install booster-pytorch-0.0.2.tar.gz