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

COLA - Competitive layers for deep learning.

ویژگی	مقدار
سیستم عامل	-
نام فایل	deepcola-0.0.0
نام	deepcola
نسخه کتابخانه	0.0.0
نگهدارنده	['P. Barbiero']
ایمیل نگهدارنده	['barbiero@tutanota.com']
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/pietrobarbiero/cola
آدرس اینترنتی	https://pypi.org/project/deepcola/
مجوز	Apache 2.0

COLA - Competitive layers for deep learning ====================================================== COLA (COmpetitive LAyers) is a Python package providing the implementation of gradient-based competitive layers which can be used on top of deep learning models for unsupervised tasks. .. image:: https://github.com/pietrobarbiero/deep-topological-learning/blob/master/deep_dual_figure.png :height: 300px Theory -------- Theoretical foundations can be found in our paper. If you find COLA useful in your research, please consider citing the following paper:: @misc{barbiero2020topological, title={Topological Gradient-based Competitive Learning}, author={Pietro Barbiero and Gabriele Ciravegna and Vincenzo Randazzo and Giansalvo Cirrincione}, year={2020}, eprint={2008.09477}, archivePrefix={arXiv}, primaryClass={stat.ML} } Examples ---------- Dual Competitive Layer (DCL) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ .. list-table:: * - .. figure:: https://github.com/pietrobarbiero/deep-topological-learning/blob/master/test/test-results/circles_dynamic_dual.png :height: 200px - .. image:: https://github.com/pietrobarbiero/deep-topological-learning/blob/master/test/test-results/circles_scatter_dual.png :height: 200px Vanilla Competitive Layer (VCL) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ .. list-table:: * - .. figure:: https://github.com/pietrobarbiero/deep-topological-learning/blob/master/test/test-results/circles_dynamic_vanilla.png :height: 200px - .. image:: https://github.com/pietrobarbiero/deep-topological-learning/blob/master/test/test-results/circles_scatter_vanilla.png :height: 200px Using COLA --------------- .. code:: python from cola import DualModel, plot_confusion_matrix, scatterplot, scatterplot_dynamic X, y = ... # load dataset # load custom tensorflow layers inputs = Input(shape=(d,), name='input') ... outputs = ... # instantiate the dual model n = X.shape[0] # number of samples k = ... # upper bound of the desired number of prototypes model = DualModel(n_samples=n, k_prototypes=k, inputs=inputs, outputs=outputs, deep=False) model.compile(optimizer=optimizer) model.fit(X, y, epochs=epochs) # plot prototype dynamics plt.figure() scatterplot_dynamic(X, model.prototypes_, y, valid=True) plt.show() # plot confusion matrix # considering the prototypes estimated in the last epoch plt.figure() plot_confusion_matrix(x_pred, model.prototypes[-1], y) plt.show() # plot estimated topology # considering the prototypes estimated in the last epoch plt.figure() scatterplot(x_pred, model.prototypes[-1], y, valid=True) plt.show() Authors ------- `Pietro Barbiero <http://www.pietrobarbiero.eu/>`__ Licence ------- Copyright 2020 Pietro Barbiero. Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with the License. You may obtain a copy of the License at: http://www.apache.org/licenses/LICENSE-2.0. Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the specific language governing permissions and limitations under the License.

نیازمندی

مقدار	نام
-	numpy
-	scikit-learn
-	tensorflow
-	tqdm
-	sphinx
-	sphinx-gallery
-	sphinx-rtd-theme
-	numpydoc
-	matplotlib
-	pytest
-	pytest-cov

نحوه نصب

نصب پکیج whl deepcola-0.0.0:

pip install deepcola-0.0.0.whl

نصب پکیج tar.gz deepcola-0.0.0:

pip install deepcola-0.0.0.tar.gz