معرفی شرکت ها
condor-tensorflow-1.0.1
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
A tensorflow implementation of Conditionals for Ordinal Regression
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | condor-tensorflow-1.0.1 |
| نام | condor-tensorflow |
| نسخه کتابخانه | 1.0.1 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Garrett Jenkinson |
| ایمیل نویسنده | Jenkinson.William@mayo.edu |
| آدرس صفحه اصلی | https://github.com/GarrettJenkinson/condor_tensorflow |
| آدرس اینترنتی | https://pypi.org/project/condor-tensorflow/ |
| مجوز | - |
<img src="https://github.com/GarrettJenkinson/condor_tensorflow/raw/main/docs/img/condor.png" width=300>
# Condor Ordinal regression in Tensorflow Keras
[](https://github.com/GarrettJenkinson/condor_tensorflow/blob/main/LICENSE)
Tensorflow Keras implementation of CONDOR Ordinal Regression (aka ordinal classification) by
Garrett Jenkinson et al (2021).
CONDOR is compatible with any state-of-the-art deep neural network architecture,
requiring only modification of the output layer, the labels, and the loss function.
[Read our full documentation to learn more.](https://garrettjenkinson.github.io/condor_tensorflow/)
We also have implemented [CONDOR for pytorch](https://github.com/GarrettJenkinson/condor_pytorch).
This package includes:
* Ordinal tensorflow loss function: `CondorOrdinalCrossEntropy`
* Ordinal tensorflow error metric: `OrdinalMeanAbsoluteError`
* Ordinal tensorflow error metric: `OrdinalEarthMoversDistance`
* Ordinal tensorflow sparse loss function: `CondorSparseOrdinalCrossEntropy`
* Ordinal tensorflow sparse error metric: `SparseOrdinalMeanAbsoluteError`
* Ordinal tensorflow sparse error metric: `SparseOrdinalEarthMoversDistance`
* Ordinal tensorflow activation function: `ordinal_softmax`
* Ordinal sklearn label encoder: `CondorOrdinalEncoder`
<img src="https://github.com/GarrettJenkinson/condor_tensorflow/blob/main/docs/img/rankconsistent.png" width=500>
## Installation
Install the stable version via pip:
```bash
pip install condor-tensorflow
```
Alternatively install the most recent code on GitHub via pip:
```bash
pip install git+https://github.com/GarrettJenkinson/condor_tensorflow/
```
`condor_tensorflow` should now be available for use as a Python library.
## Docker container
As an alternative to the above, we provide a convenient Dockerfile that will build a container with `condor_tensorflow` along with all of its dependencies (Python 3.6+, Tensorflow 2.2+, sklearn, numpy).
This can be used as follows:
```bash
# Clone this git repository
git clone https://github.com/GarrettJenkinson/condor_tensorflow/
# Change directory to the cloned repository root
cd condor_tensorflow
# Create a docker image
docker build -t cpu_tensorflow -f cpu.Dockerfile ./
# run image to serve a jupyter notebook
docker run -it -p 8888:8888 --rm cpu_tensorflow
# how to run bash inside container (with Python that will have required dependencies available)
docker run -u $(id -u):$(id -g) -it -p 8888:8888 --rm cpu_tensorflow bash
```
Assuming a GPU enabled machine with NVIDIA drivers installed replace `cpu`
above with `gpu`.
## Example
This is a quick example to show basic model implementation syntax.<br>
Example assumes existence of input data (variable 'X') and ordinal labels (variable 'labels').
```python
import tensorflow as tf
import condor_tensorflow as condor
NUM_CLASSES = 5
# Ordinal 'labels' variable has 5 labels, 0 through 4.
enc_labs = condor.CondorOrdinalEncoder(nclasses=NUM_CLASSES).fit_transform(labels)
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(32, activation = "relu"))
model.add(tf.keras.layers.Dense(NUM_CLASSES-1)) # Note the "-1"
model.compile(loss = condor.CondorOrdinalCrossEntropy(),
metrics = [condor.OrdinalMeanAbsoluteError()])
model.fit(x = X, y = enc_labs)
```
[See this colab notebook](https://github.com/GarrettJenkinson/condor_tensorflow/blob/main/docs/CONDOR_TensorFlow_demo.ipynb)
for extended examples of ordinal regression with MNIST and Amazon reviews (universal sentence encoder).
Please post any issues to the [issue queue](https://github.com/GarrettJenkinson/condor_tensorflow/issues).
**Acknowledgments**: Many thanks to [the CORAL ordinal authors](https://github.com/ck37/coral-ordinal) and
[the CORAL pytorch authors](https://github.com/Raschka-research-group/coral_pytorch) whose repos provided a roadmap for this codebase.
## References
[Jenkinson, Khezeli, Oliver, Kalantari, Klee. Universally rank consistent ordinal regression in neural networks, arXiv:2110.07470, 2021.](https://arxiv.org/abs/2110.07470)
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl condor-tensorflow-1.0.1:
pip install condor-tensorflow-1.0.1.whl
نصب پکیج tar.gz condor-tensorflow-1.0.1:
pip install condor-tensorflow-1.0.1.tar.gz