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

Package for doing approximate Bayesian inference on deep neural networks [based in TF 2.0+]

ویژگی	مقدار
سیستم عامل	-
نام فایل	deepbayes-0.1.0
نام	deepbayes
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Matthew Wicker
ایمیل نویسنده	mattrwicker@gmail.com
آدرس صفحه اصلی	https://github.com/deepbayes/deepbayes
آدرس اینترنتی	https://pypi.org/project/deepbayes/
مجوز	MIT

# deepbayes deepbayes is a package that aims to make training Bayesian neural networks (BNNs) simple. Implemented on top of TensorFlow 2.0 and working with tf.keras as a primary interface, one can simply declare a keras (or TF) model and pass it to the desired deepbayes optimizer and it will compile the model into an object that is ready to perform approximate inference. deepbayes is actively under development, and location and names of packages may change (such changes will be noted at the bottom of this repo). jax support coming soon :) #### Install: `pip install deepbayes` ## Supported Optimizers #### BayesByBackprop Implemented based on description in https://arxiv.org/abs/1505.05424 #### Hamiltonian (Hybrid) Monte Carlo Implemented based on description in https://arxiv.org/abs/1206.1901 #### NoisyAdam (aka Vadam) Implemented based on description in https://arxiv.org/abs/1712.02390 #### Variational Online Gauss Newton (aka VOGN) Implemented based on description in https://arxiv.org/abs/1806.04854 and https://arxiv.org/abs/2002.10060 #### Stochastic Weight Averaging - Gaussian (aka SWAG) Implemented bsed on description in https://arxiv.org/pdf/1902.02476.pdf #### Stochastic Gradient Descent Not sure what to reference you to here... a google will suffice ## Supported Analysis In addition to producing posterior distributions for BNNs, deepbayes also supports some basic analysis including - Adversarial attacks for BNNs (FGSM, PGD, CW) - Uncertainty quantification - Statistical guarentees of robustness - https://arxiv.org/pdf/1903.01980.pdf - Probabalistic safety estimates - https://arxiv.org/pdf/2004.10281.pdf #### Dependancies: tensorflow, tensorflow-probability, numpy, tqdm, statsmodels, ### Future Support Below we have a tentative to-do list of inference methods to impliment (7 to be exact) and other properties we want to tool to have. - [ ] HTML documentation - [ ] Non-Gaussian Posterior (requires extension of posterior representation as well) - [ ] Stochastic Variational Inference (SVI) - [ ] Probabilistic Backprop (PBP) - [ ] Sequential Monte Carlo optimizer (SMC) - [ ] Monte Carlo Dropout optimizer (MCD) - [ ] Stochastic Gradient Langevin Dynamics optimizer (SGLD) - [ ] Stochastic Gradient Markov Chain Monte Carlo (SGMCMC) - [ ] Riemann manifold HMC (RMHMC) - [ ] JAX autodif library instead of TF (deepbayes.jax.optimizers) - [ ] Binary Bayesian neural networks

نیازمندی

مقدار	نام
-	tensorflow
-	numpy
-	tensorflow-probability
-	tqdm

نحوه نصب

نصب پکیج whl deepbayes-0.1.0:

pip install deepbayes-0.1.0.whl

نصب پکیج tar.gz deepbayes-0.1.0:

pip install deepbayes-0.1.0.tar.gz