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

End-to-end NLP package for seamless integration of Pandas Series, DataFrame and Keras model

ویژگی	مقدار
سیستم عامل	-
نام فایل	convectors-0.1.3
نام	convectors
نسخه کتابخانه	0.1.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Maixent Chenebaux
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/kerighan/convectors
آدرس اینترنتی	https://pypi.org/project/convectors/
مجوز	-

Convectors: build end-to-end NLP pipelines ========== Inspired by the Keras syntax, Convectors allows you to build NLP pipelines by adding different processing Layers. Fully compatible with pandas and Keras, it can either process list or pandas series on the fly, or apply processing to a whole DataFrame by using columns as inputs and outputs. Tensorflow's Keras models can be added as a layer, embedded and saved within a larger end-to-end NLP model. ``` pip install convectors ``` Simple classification example ===== In this basic example, we create an NLP pipeline for a sequence classification task: ```python from convectors import load_model from convectors.layers import Argmax, Keras, Sequence, Tokenize from sklearn.datasets import fetch_20newsgroups from tensorflow.keras.layers import LSTM, Dense, Embedding from tensorflow.keras.models import Sequential # load data training_set = fetch_20newsgroups(subset="train") testing_set = fetch_20newsgroups(subset="test") # create encoder model encoder = Tokenize(stopwords=["en"]) encoder += Sequence(max_features=20000, pad=True, maxlen=200) # get and transform training data X_train = encoder(training_set.data) # fit and transform y_train = training_set.target # get training data # infer number of features and classes N_FEATURES = encoder["Sequence"].n_features + 1 N_CLASSES = y_train.max() + 1 EMBEDDING_DIM = 32 # create keras model and fit model = Sequential() model.add(Embedding(N_FEATURES, EMBEDDING_DIM, mask_zero=True)) model.add(LSTM(32, activation="tanh", return_sequences=False)) model.add(Dense(32, activation="tanh")) model.add(Dense(N_CLASSES, activation="softmax")) model.compile("nadam", "sparse_categorical_crossentropy", metrics=["accuracy"]) model.fit(X_train, y_train, epochs=1, batch_size=800) # once learned, add Keras model encoder += Keras(model=model, trained=True) encoder += Argmax() encoder.verbose = False # turn verbosity off # for model persistence: encoder.save("model.p") encoder = load_model("model.p") # predict for new data y_pred = encoder(testing_set.data) y_true = testing_set.target # print accuracy print((y_pred == y_true).mean()) ```

نیازمندی

مقدار	نام
-	numpy
-	scikit-learn
-	scipy
-	tqdm
-	pandas
-	dill

نحوه نصب

نصب پکیج whl convectors-0.1.3:

pip install convectors-0.1.3.whl

نصب پکیج tar.gz convectors-0.1.3:

pip install convectors-0.1.3.tar.gz