معرفی شرکت ها
cellshape-cluster-0.0.9rc0
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 بیشترتوضیحات
3D shape analysis using deep learning
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | cellshape-cluster-0.0.9rc0 |
| نام | cellshape-cluster |
| نسخه کتابخانه | 0.0.9rc0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Matt De Vries, Lucas Dent, Adam Tyson |
| ایمیل نویسنده | mattdevries.ai@gmail.com |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/cellshape-cluster/ |
| مجوز | - |
[](https://www.repostatus.org/#active)
[](https://pypi.org/project/cellshape-cluster)
[](https://pypi.org/project/cellshape-cluster)
[](https://pepy.tech/project/cellshape-cluster)
[](https://pypi.org/project/cellshape-cluster)
[](https://github.com/Sentinal4D/cellshape-cluster)
[](
https://github.com/Sentinal4D/cellshape-cluster/actions)
[](https://coveralls.io/github/Sentinal4D/cellshape-cluster?branch=master)
[](https://github.com/psf/black)
<img src="https://github.com/Sentinal4D/cellshape-cluster/blob/main/img/cellshape_cluster_logo.png"
alt="Cellshape logo by Matt De Vries">
___
Cellshape-cluster is an easy-to-use tool to analyse the cluster cells by their shape using deep learning and, in particular, deep-embedded-clustering. The tool provides the ability to train popular graph-based or convolutional autoencoders on point cloud or voxel data of 3D single cell masks as well as providing pre-trained networks for inference.
## To install
```bash
pip install cellshape-cluster
```
## Usage
### Basic usage:
```python
import torch
from cellshape_cloud import CloudAutoEncoder
from cellshape_cluster import DeepEmbeddedClustering
autoencoder = CloudAutoEncoder(
num_features=128,
k=20,
encoder_type="dgcnn"
)
model = DeepEmbeddedClustering(autoencoder=autoencoder,
num_clusters=10,
alpha=1.0)
points = torch.randn(1, 2048, 3)
recon, features, clusters = model(points)
```
### To load a trained graph-based autoencoder and perform deep embedded clustering:
```python
import torch
from torch.utils.data import DataLoader
import cellshape_cloud as cloud
import cellshape_cluster as cluster
from cellshape_cloud.vendor.chamfer_distance import ChamferDistance
dataset_dir = "path/to/pointcloud/dataset/"
autoencoder_model = "path/to/autoencoder/model.pt"
num_features = 128
k = 20
encoder_type = "dgcnn"
num_clusters = 10
num_epochs = 1
learning_rate = 0.00001
gamma = 1
divergence_tolerance = 0.01
output_dir = "path/to/output/"
autoencoder = CloudAutoEncoder(
num_features=128,
k=20,
encoder_type="dgcnn"
)
checkpoint = torch.load(autoencoder_model)
autoencoder.load_state_dict(checkpoint['model_state_dict']
model = DeepEmbeddedClustering(autoencoder=autoencoder,
num_clusters=10,
alpha=1.0)
dataset = cloud.PointCloudDataset(dataset_dir)
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=False) # it is very important that shuffle=False here!
dataloader_inf = DataLoader(dataset, batch_size=1, shuffle=False) # it is very important that batch_size=1 and shuffle=False here!
optimizer = torch.optim.Adam(
model.parameters(),
lr=learning_rate * 16 / batch_size,
betas=(0.9, 0.999),
weight_decay=1e-6,
)
reconstruction_criterion = ChamferDistance()
cluster_criterion = nn.KLDivLoss(reduction="sum")
train(
model,
dataloader,
dataloader_inf,
num_epochs,
optimizer,
reconstruction_criterion,
cluster_criterion,
update_interval,
gamma,
divergence_tolerance,
output_dir
)
```
## Parameters
- `autoencoder`: CloudAutoEncoder or VoxelAutoEncoder.
Instance of autoencoder class from cellshape-cloud or cellshape-voxel
- `num_clusters`: int.
The number of clusters to use in deep embedded clustering algorithm.
- `alpha`: float.
Degrees of freedom for the Student's t-distribution. Xie et al. (ICML, 2016) let alpha=1 for all experiments.
نیازمندی
| مقدار | نام |
|---|---|
| - | torch |
| - | torchvision |
| ==1.21 | numpy |
| - | cellshape-cloud |
| - | cellshape-voxel |
| - | tqdm |
| - | scikit-learn |
| - | black |
| - | black[jupyter] |
| - | pytest-cov |
| - | pytest |
| - | gitpython |
| >=5.0.3 | coverage |
| - | bump2version |
| - | pre-commit |
| - | flake8 |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl cellshape-cluster-0.0.9rc0:
pip install cellshape-cluster-0.0.9rc0.whl
نصب پکیج tar.gz cellshape-cluster-0.0.9rc0:
pip install cellshape-cluster-0.0.9rc0.tar.gz