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

Conf-Generator is a tool for specifying and exploring hyper-parameters sets in Machine Learning pipelines defined through configuration files.

ویژگی	مقدار
سیستم عامل	-
نام فایل	conf-generator-1.0.1
نام	conf-generator
نسخه کتابخانه	1.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Nicolas Pinchaud
ایمیل نویسنده	nicolas.pinchaud@gmail.com
آدرس صفحه اصلی	https://github.com/nicolaspi/conf_generator
آدرس اینترنتی	https://pypi.org/project/conf-generator/
مجوز	-

**Conf-Generator is a tool for specifying and exploring hyper-parameters sets in Machine Learning pipelines defined through configuration files.** A typical configuration instance to train a model would look like this: ```yaml model: resnet learning_rate: 0.01 training_epochs: 10 ``` With Conf-Generator it is possible to specify multiple configurations representing parameter exploration: ```yaml model: resnet $learning_rate: [0.01, 0.005] $training_epochs: [10, 20] ``` The `$` prefix is used to specify the varying parameters. The configurations can be generated with the following snippet: ```python from conf_generator import ConfGenerator exp = ConfGenerator("some/config.yml") for conf, summary in exp.generate(): print(conf) ``` The generator generates the configurations as python dictionary objects: ``` {'learning_rate': 0.01, 'training_epochs': 10, 'model': 'resnet'} {'learning_rate': 0.01, 'training_epochs': 20, 'model': 'resnet'} {'learning_rate': 0.005, 'training_epochs': 10, 'model': 'resnet'} {'learning_rate': 0.005, 'training_epochs': 20, 'model': 'resnet'} ``` The cartesian product is made over the varying parameters if those are defined using lists, we can tie them using dictionaries: ```yaml model: resnet $learning_rate: {a:0.01, b:0.005} $training_epochs: {a:10, b:20} ``` Output: ``` {'learning_rate': 0.01, 'training_epochs': 10, 'model': 'resnet'} {'learning_rate': 0.005, 'training_epochs': 20, 'model': 'resnet'} ``` Keys can be joined using `|`: ```yaml model: resnet $learning_rate: {a: 0.01, b: 0.001, c: 0.1} $training_epochs: {a|b: 20, c: 10} ``` Output: ``` {'learning_rate': 0.01, 'training_epochs': 20, 'model': 'resnet'} {'learning_rate': 0.001, 'training_epochs': 20, 'model': 'resnet'} {'learning_rate': 0.1, 'training_epochs': 10, 'model': 'resnet'} ``` Nesting is possible: ```yaml model: resnet $$learning_rate: [{a: 0.01, b: 0.001}, {a: 0.05, b: 0.005}] $training_epochs: {a: 10, b: 20} ``` Output: ``` {'learning_rate': 0.01, 'model': 'resnet', 'training_epochs': 10} {'learning_rate': 0.05, 'model': 'resnet', 'training_epochs': 10} {'learning_rate': 0.001, 'model': 'resnet', 'training_epochs': 20} {'learning_rate': 0.005, 'model': 'resnet', 'training_epochs': 20} ```

نیازمندی

مقدار	نام
-	pyyaml

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl conf-generator-1.0.1:

pip install conf-generator-1.0.1.whl

نصب پکیج tar.gz conf-generator-1.0.1:

pip install conf-generator-1.0.1.tar.gz