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

A continual learning PyTorch package

ویژگی	مقدار
سیستم عامل	-
نام فایل	continual-flame-1.0
نام	continual-flame
نسخه کتابخانه	1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Andrea Rosasco
ایمیل نویسنده	andrearosasco.ar@gmail.com
آدرس صفحه اصلی	https://github.com/andrew-r96/ContinualFlame
آدرس اینترنتی	https://pypi.org/project/continual-flame/
مجوز	-

[![Build Status](https://travis-ci.com/andrew-r96/ContinualFlame.svg?branch=main)](https://travis-ci.com/andrew-r96/ContinualFlame) # ContinualFlame Small lightweight package for Continual Learning in PyTorch. ## Installation For now the package is hosted on TestPyPi. To install it you just need to run: ```bash pip install continual-flame ``` ## Usage To use the package you just need to import it inside your project. ```python import contflame as cf ``` At the moment the package contains just the dataset module. # Dataset This module contains datasets normally used in the continual learning scenario. The main ones are: - SplitMNIST - MNIST dataset split in classes. It allows to create different subtasks by including custom subsets of classes. - PermutedMNIST - permuted MNIST dataset. It allows to choose the shape of the applied permutation. - SplitCIFAR100 - PermutedCIFAR100 # Examples **SplitMNIST** In the following example the training tasks are five binary classification tasks on subsequent pairs of digit (i.e task 1 (0, 1), task 2 (2, 3), ...) ```python from cont_flame.dataset import SplitMNIST valid = [] for i in range(1, 10, 2) train_dataset = SplitMNIST(classes=[i, i+1], dset='train', valid=0.2) valid.append(SplitMNIST(classes=[i, i+1], dset='valid', valid=0.2)) for e in epochs: # train the model on train_dataset # ... for v in valid: # test the model on the current and the previous tasks # ... ``` **PermutedMNIST** To get a random permutation set tile to (1, 1). The same random permutation, selected by the task id, will be applied to all the data points. ```python PermutedMNIST(tile=(1, 1), task=1) ``` <img style="float: right;" src="https://user-images.githubusercontent.com/47559809/96425928-da7d2f00-11fc-11eb-95d9-8035dde0e333.png" width="96"> You can also apply the permutation row (or column) wise by setting the corresponding dimension of the tile equal to the one of the image ```python PermutedMNIST(tile=(1, 28), task=1) ``` <img style="float: right;" src="https://user-images.githubusercontent.com/47559809/96428444-0e0d8880-1200-11eb-814b-376496129f63.png" width="96"> Or try to maintain high level spatial feature by setting a bigger tile. ```python PermutedMNIST(tile=(8, 8), task=1) ``` <img style="float: right;" src="https://user-images.githubusercontent.com/47559809/96429174-ef5bc180-1200-11eb-81bf-3bbb1dd6a515.png" width="96"> To get the images without any permutation set the tile to (28, 28) (default value).

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl continual-flame-1.0:

pip install continual-flame-1.0.whl

نصب پکیج tar.gz continual-flame-1.0:

pip install continual-flame-1.0.tar.gz