معرفی شرکت ها

cacgmm-gpu-0.1.0

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.1.0
0.1.0

توضیحات

GPU-based CACGMM trainer in CuPy
ویژگی مقدار
سیستم عامل -
نام فایل cacgmm-gpu-0.1.0
نام cacgmm-gpu
نسخه کتابخانه 0.1.0
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Desh Raj
ایمیل نویسنده r.desh26@gmail.com
آدرس صفحه اصلی https://github.com/desh2608/cacgmm
آدرس اینترنتی https://pypi.org/project/cacgmm-gpu/
مجوز -
# GPU-based CACGMM trainer in CuPy This package adapts the complex angular GMM model and trainer from [pb_bss](https://github.com/fgnt/pb_bss) using [CuPy](https://github.com/cupy/cupy) for accelerated inference on the GPU. At the moment, it is meant to be used with the [GSS](https://github.com/desh2608/gss) toolkit, but it can also be used as a general CACGMM trainer tool. ## Installation ```bash > pip install cupy-cuda102 # modify according to your CUDA version (https://docs.cupy.dev/en/stable/install.html#installing-cupy) > pip install cacgmm-gpu ``` ## Usage ```python from cacgmm.cacgmm_trainer import CACGMMTrainer import cupy as cp source_activity = cp.random.rand(2, 1000) source_activity = source_activity / cp.sum(initialization, keepdims=True, axis=0) initialization = cp.repeat(source_activity[None, ...], 513, axis=0) # F x K x T source_active_mask = cp.repeat(source_activity[None, ...], 513, axis=0) X = cp.random.rand(4, 1000, 513) # D x T x F cacGMM = CACGMMTrainer() cur = cacGMM.fit( y=X.T, initialization=initialization, iterations=10, source_activity_mask=source_active_mask, ) affiliation = cur.predict(X.T, source_activity_mask=source_active_mask) # posterior = affiliation.transpose(1, 2, 0) # K x T x F ```


نحوه نصب


نصب پکیج whl cacgmm-gpu-0.1.0:

    pip install cacgmm-gpu-0.1.0.whl


نصب پکیج tar.gz cacgmm-gpu-0.1.0:

    pip install cacgmm-gpu-0.1.0.tar.gz