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

An easy-to-use api for the closed-form continuous models in tensorflow

ویژگی	مقدار
سیستم عامل	-
نام فایل	cfc-model-1.1.4
نام	cfc-model
نسخه کتابخانه	1.1.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Daniel Scott
ایمیل نویسنده	danscottlearns@gmail.com
آدرس صفحه اصلی	https://github.com/nightvision04/CfC
آدرس اینترنتی	https://pypi.org/project/cfc-model/
مجوز	Apache

![PyPI 📦 ](https://github.com/nightvision04/CfC/workflows/PyPI%20%F0%9F%93%A6%20%20%20/badge.svg?branch=main) ![PyTests](https://github.com/nightvision04/CfC/workflows/PyTests/badge.svg?branch=main) [![Downloads](https://pepy.tech/badge/cfc-model)](https://pepy.tech/project/cfc-model) # Closed-form Continuous-time Models Closed-form Continuous-time Neural Networks (CfCs) are powerful sequential neural information processing units. Paper Open Access: https://www.nature.com/articles/s42256-022-00556-7 Arxiv: https://arxiv.org/abs/2106.13898 ## Installation ``` pip install cfc-model ``` ## Requirements - Python 3.7 or newer - Tensorflow 2.4 or newer - Pandas - Numpy For a fresh anaconda environment with the required dependencies: ``` conda env create --file environment.yml conda activate cfc ``` ## Usage ### Example ``` from cfc_model.dense_models import SequentialModel import numpy as np X = np.array([[1, 1, 1, 0], [1, 1, 0, 1], [1, 0, 0, 1], [1, 1, 0, 0], [1, 0, 1, 0], [1, 1, 0, 1], [1, 0, 0, 1], [1, 0, 1, 0]]) y = np.array([0, 0, 1, 1, 1, 0, 1, 1]) model = SequentialModel() model.fit(X, y) y_pred = model.predict([1, 1, 0, 1]) # y_pred equals 0 ``` ### Configuration The following configuration states can be used - ```no_gate``` Runs the CfC without the (1-sigmoid) part - ```minimal``` Runs the CfC direct solution - ```use_ltc``` Runs an LTC with a semi-implicit ODE solver instead of a CfC - ```use_mixed``` Mixes the CfC's RNN-state with a LSTM to avoid vanishing gradients If none of these flags are provided, the full CfC model is used ### Example ``` # Runs an LTC with a semi-implicit ODE solver instead of a CfC config = {"use_ltc": True} model.fit(X, y, config=config) ``` ## Cite ``` @article{hasani_closed-form_2022, title = {Closed-form continuous-time neural networks}, journal = {Nature Machine Intelligence}, author = {Hasani, Ramin and Lechner, Mathias and Amini, Alexander and Liebenwein, Lucas and Ray, Aaron and Tschaikowski, Max and Teschl, Gerald and Rus, Daniela}, issn = {2522-5839}, month = nov, year = {2022} ```

نیازمندی

مقدار	نام
-	pandas
-	numpy

نحوه نصب

نصب پکیج whl cfc-model-1.1.4:

pip install cfc-model-1.1.4.whl

نصب پکیج tar.gz cfc-model-1.1.4:

pip install cfc-model-1.1.4.tar.gz