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

Helper to train deep neural networks

ویژگی	مقدار
سیستم عامل	-
نام فایل	deep-trainer-0.1.2
نام	deep-trainer
نسخه کتابخانه	0.1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Raphael Reme
ایمیل نویسنده	raphaelreme-dev@protonmail.com
آدرس صفحه اصلی	https://github.com/raphaelreme/deep-trainer
آدرس اینترنتی	https://pypi.org/project/deep-trainer/
مجوز	MIT

# deep-trainer [![Lint and Test](https://github.com/raphaelreme/deep-trainer/actions/workflows/tests.yml/badge.svg)](https://github.com/raphaelreme/deep-trainer/actions/workflows/tests.yml) Baseline code to train deep neural networks. Currently only available for PyTorch Framework. ## Install ### Pip ```bash $ pip install deep-trainer ``` ### Conda Not yet available ## Getting started ```python import torch from deep_trainer import PytorchTrainer # Datasets trainset = #.... valset = #.... testset = #.... # Dataloaders train_loader = torch.utils.data.DataLoader(trainset, 64, shuffle=True) val_loader = torch.data.utils.DataLoader(valset, 256) test_loader = torch.data.utils.DataLoader(testset, 256) # Model & device device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = #.... model.to(device) # Optimizer & Scheduler optimizer = torch.optim.Adam(model.parameters(), lr=0.001) scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=len(trainset) * 50, 0.1) # Decay by 10 every 50 epochs # Criterion criterion = torch.nn.CrossEntropyLoss() # For classification for instance # Training trainer = PytorchTrainer(model, optimizer, scheduler, save_mode="small", device=device) trainer.train(150, train_loader, criterion, val_loader=val_loader) # Testing trainer.load("experiments/checkpoints/best.ckpt") trainer.evaluate(test_loader, criterion) ``` ## Example `example/example.py` show how to train a PreActResNet with Deep Trainer. Install the additional requirements and use it with: ```bash $ # See hyperparameters available $ python example.py -h $ $ # Launch the default training $ python example.py $ $ # Once done (or during the training), look for default tensorboard logs $ tensorboard --logdir experiments/logs/ ``` This script is reaching around 94-95% accuracy on validation with Cifar10 and a PreActResNet18.<br> Here are the [training logs](https://tensorboard.dev/experiment/lYN73lSpSm66bddAswIpOw): ## Build and Deploy ```bash $ python -m build $ python -m twine upload dist/* ```

نیازمندی

مقدار	نام
-	tensorboard
-	torch
-	tqdm

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl deep-trainer-0.1.2:

pip install deep-trainer-0.1.2.whl

نصب پکیج tar.gz deep-trainer-0.1.2:

pip install deep-trainer-0.1.2.tar.gz