معرفی شرکت ها
comb-py-0.0.1a0
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
Configure experiments
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | comb-py-0.0.1a0 |
| نام | comb-py |
| نسخه کتابخانه | 0.0.1a0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Steffen Schneider |
| ایمیل نویسنده | stes@hey.com |
| آدرس صفحه اصلی | https://github.com/stes/comb |
| آدرس اینترنتی | https://pypi.org/project/comb-py/ |
| مجوز | - |
A minimal package for configuring and exploring parameter `comb`inations of machine learning experiments.
`comb` is a small and simplistic library. `comb` is able to
- quickly and cleanly define grid searches and random searches, and handle parameter dependencies
- add configuration options to existing projects. Existing modules and packages can be turned into a registry, enabling python classes to become accessible and searchable via a string name.
For more complicated workflows, configuration packages like [hydra](https://github.com/facebookresearch/hydra) are better suited.
## Installation
Install `comb-py` from [pypi](https://pypi.org/project/comb-py/):
```python
$ pip install comb-py
```
and import it via
```python
import comb
```
`comb` does not have any dependencies beyond the python standard library. It works for `python>=3.7`.
## Defining an experiment (`comb.sweep`)
In your project, create sweeps directly in python ─ create the following file under `sweep/my_first_experiment.py`
```python
from comb import sweep
from comb.types import zipped, grid
@sweep.register("example-sweep")
class MyExperiment(sweep.Sweep):
@property
def script(self):
return "my/exp.py"
def get_random_args(self):
return dict(
# define a method to sample arguments from
foo = np.random.choice([42, 73])
)
def get_fixed_args(self):
return dict(
# zip N dependen arguments together
bar = zipped("hello", "check out"),
baz = zipped("world", "comb"),
# define a search grid (1x2 combinations)
# over two parameters
blubb = grid("star"),
blubb2 = grid("wars", "treck"),
)
```
and generate a joblist using
```bash
$ python -m comb example-sweep
exp.py --bar hello --baz world --blubb star --blubb2 wars --foo 73
exp.py --bar hello --baz world --blubb star --blubb2 treck --foo 73
exp.py --bar check out --baz comb --blubb star --blubb2 wars --foo 73
exp.py --bar check out --baz comb --blubb star --blubb2 treck --foo 73
```
## Parametrizing an experiment (`comb.registry`)
`comb` makes it very easy to reference design choices within your experiment by names. Suppose you wanted to add a few datasets and loss functions to a machine learning experiment.
Turn your python module packages or packages into registries by a simple call to `comb.registry.add_helper_functions`:
``` python
# datasets.py
from comb import registry
registry.add_helper_functions(__name__)
@register("mnist")
class MNIST(): pass
@register("svhn")
class SVHN(): pass
# loss_functions.py
from comb import registry
registry.add_helper_functions(__name__)
@register("mse")
class MeanSquaredError(): pass
@register("infonce")
class InfoNCE(): pass
```
Afterwards, you can easily list and instantiate your functions:
``` python
>>> import datasets
>>> datasets.get_options("*")
mnist svhn
>>> datasets.init("mnist")
MNIST()
```
## Scheduling experiments
`comb` does not attempt to provide ways to actually launch these experiments ─ there are plenty tools better suited for this.
To name a few suggestions, the following workflows are possible:
### Using GNU parallel
Scheduling a maximum of 2 consecutive jobs via [GNU parallel](https://www.gnu.org/software/parallel/) (similar results can be achived via e.g. `xargs`):
``` bash
$ python -m comb bash-example || exit 1 | parallel --jobs 2 'echo Scheduling job {#}; eval {}'
```
### Using SLURM
Scheduling a job array via slurm:
``` bash
mkdir -p submitted
python -m comb bash-example > jobs.lst
num_jobs=$(wc -l jobs.lst)
jobid=$(sbatch -a 1-${num_jobs} --wrap 'job=$(sed -n ${SLURM_ARRAY_TASK_ID}p jobs.lst); srun ${job}')
mv jobs.lst submitted/{jobid}.lst
```
## License
`comb` is released under an MIT License.
نیازمندی
| مقدار | نام |
|---|---|
| - | pytest |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl comb-py-0.0.1a0:
pip install comb-py-0.0.1a0.whl
نصب پکیج tar.gz comb-py-0.0.1a0:
pip install comb-py-0.0.1a0.tar.gz