معرفی شرکت ها
continuation-jax-0.0.7
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
Continuation Methods for Deep Neural Networks.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | continuation-jax-0.0.7 |
| نام | continuation-jax |
| نسخه کتابخانه | 0.0.7 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Harsh Nilesh Pathak |
| ایمیل نویسنده | harshnpathak@gmail.com |
| آدرس صفحه اصلی | https://github.com/harsh306/continuation-jax |
| آدرس اینترنتی | https://pypi.org/project/continuation-jax/ |
| مجوز | - |
# continuation-jax : Continuaion Framework for lambda
Continuation methods of Deep Neural Networks
Tags: optimization, deep-learning, homotopy, bifurcation-analysis, continuation
[](https://github.com/psf/black)
[](https://badge.fury.io/py/continuation-jax)
[](https://opensource.org/licenses/MIT)
#### Install using pip:
Package: https://pypi.org/project/continuation-jax/
```
pip install continuation-jax
```
#### Import
```python
import cjax
```
#### Math operations on Pytrees
```python
>>> import cjax
>>> from cjax.utils import math_trees
>>> math_trees.pytree_element_mul([2,3,5], 2)
[4, 6, 10]
>>> math_trees.pytree_sub([2,3,5], [1,1,1])
[DeviceArray(1, dtype=int32), DeviceArray(2, dtype=int32), DeviceArray(4, dtype=int32)]
>>> math_trees.pytree_zeros_like({'a':12, 'b':45, 'c':[1,1]})
{'a': 0, 'b': 0, 'c': [0, 0]}
```
#### Examples:
- Examples: https://github.com/harsh306/continuation-jax/tree/main/examples
- Sample Runner: https://github.com/harsh306/continuation-jax/blob/main/model_simple_classifier/run.py
```python
"""
Main file to run contination on the user defined problem. Examples can be found in the examples/ directory.
Continuation is topological procedure to train a neural network. This module tracks all
the critical points or fixed points and dumps them to output file provided in hparams.json file.
Typical usage example:
continuation = ContinuationCreator(
problem=problem, hparams=hparams
).get_continuation_method()
continuation.run()
"""
from cjax.continuation.creator.continuation_creator import ContinuationCreator
from examples.model_simple_classifier.model_classifier import ModelContClassifier
from cjax.utils.abstract_problem import ProblemWraper
import json
from jax.config import config
from datetime import datetime
import mlflow
from cjax.utils.visualizer import pick_array, bif_plot
config.update("jax_debug_nans", True)
# TODO: use **kwargs to reduce params
if __name__ == "__main__":
problem = ModelContClassifier()
problem = ProblemWraper(problem)
with open(problem.HPARAMS_PATH, "r") as hfile:
hparams = json.load(hfile)
mlflow.set_tracking_uri(hparams['meta']["mlflow_uri"])
mlflow.set_experiment(hparams['meta']["name"])
with mlflow.start_run(run_name=hparams['meta']["method"]+"-"+hparams["meta"]["optimizer"]) as run:
mlflow.log_dict(hparams, artifact_file="hparams/hparams.json")
mlflow.log_text("", artifact_file="output/_touch.txt")
artifact_uri = mlflow.get_artifact_uri("output/")
hparams["meta"]["output_dir"] = artifact_uri
print(f"URI: {artifact_uri}")
start_time = datetime.now()
if hparams["n_perturbs"] > 1:
for perturb in range(hparams["n_perturbs"]):
print(f"Running perturb {perturb}")
continuation = ContinuationCreator(
problem=problem, hparams=hparams, key=perturb
).get_continuation_method()
continuation.run()
else:
continuation = ContinuationCreator(
problem=problem, hparams=hparams
).get_continuation_method()
continuation.run()
end_time = datetime.now()
print(f"Duration: {end_time-start_time}")
figure = bif_plot(hparams["meta"]["output_dir"], pick_array)
mlflow.log_figure(figure, artifact_file="plots/fig.png")
```
#### Note on Hyperparameters
#### Papers:
#### Contact:
`harshnpathak@gmail.com`
نیازمندی
| مقدار | نام |
|---|---|
| ==1.1.3 | pandas |
| ==1.19.2 | numpy |
| ==3.3.2 | matplotlib |
| ==1.5.2 | scipy |
| ==3.2.1 | Sphinx |
| ==0.3.4 | flax |
| ==0.2.14 | jax |
| ==2.0.0 | jsonlines |
| ==1.17.0 | mlflow |
| ==0.5.2 | sphinx-rtd-theme |
| ==1.8.1 | torch |
| ==0.9.1 | torchvision |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl continuation-jax-0.0.7:
pip install continuation-jax-0.0.7.whl
نصب پکیج tar.gz continuation-jax-0.0.7:
pip install continuation-jax-0.0.7.tar.gz