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

optimization tools based on domain division

ویژگی	مقدار
سیستم عامل	-
نام فایل	divopt-0.0.3
نام	divopt
نسخه کتابخانه	0.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	bib_inf
ایمیل نویسنده	contact.bibinf@gmail.com
آدرس صفحه اصلی	https://github.co.jp/
آدرس اینترنتی	https://pypi.org/project/divopt/
مجوز	CC0 v1.0

# divopt 下の方に日本語の説明があります ## Overview - optimization tools based on domain division - description is under construction. ## Usage ```python # Trisectional Convex Optimization [divopt]. divopt = load_develop("divopt", "../", develop_flag = True) dim_n = 50 # Generate an example of the function to be optimized [divopt]. func = divopt.gen_example_func( ans = [0.3 for _ in range(dim_n)], # Vector of optimal values (answers) direction = "maximize" # Maximize / Minimize ) # Optimize [divopt]. res = divopt.optimize( func = func, # Function to be optimized dim_n = dim_n, # Number of dimensions of input lim_range = [(0,1) for _ in range(dim_n)], # Range of each axis fin_judge = ["rep", 500], # Termination condition (specify: [mode, value]) direction = "maximize" # Maximize / Minimize ) # debug print(res) # Determine optimality [divopt]. flag = divopt.is_optimal( func = func, # Function to optimize x = res, # the solution to be tested delta = 0.02, # tolerance direction = "maximize" # Maximize / minimize ) # debug print(flag) # Objective function according to optuna's IF def target_func(trial): x = [] for i in range(dim_n): x.append(trial.suggest_float("param_%d"%i, 0, 1)) return func(x) # optuna-like interface oi = divopt.optuna_interface study = oi.create_study( direction = "maximize" ) study.optimize(target_func, n_trials = 500) print(study.best_params) ``` ## 概要 - 領域分割に基づく最適化ツール - 説明文は書きかけです ## Usage ```python # 3分凸最適化 [divopt] import divopt dim_n = 50 # 最適化対象関数の例を生成 [divopt] func = divopt.gen_example_func( ans = [0.3 for _ in range(dim_n)], # 最適値(答え)のベクトル direction = "maximize" # 最大化 / 最小化 ) # 最適化 [divopt] res = divopt.optimize( func = func, # 最適化対象関数 dim_n = dim_n, # 入力の次元数 lim_range = [(0,1) for _ in range(dim_n)], # 各軸の範囲 fin_judge = ["rep", 500], # 終了条件 (指定: [mode, value]) direction = "maximize" # 最大化 / 最小化 ) # debug print(res) # 最適性判断 [divopt] flag = divopt.is_optimal( func = func, # 最適化対象関数 x = res, # 検査したい解 delta = 0.02, # 許容誤差 direction = "maximize" # 最大化 / 最小化 ) # debug print(flag) # optunaのIFに合わせた目的関数 def target_func(trial): x = [] for i in range(dim_n): x.append(trial.suggest_float("param_%d"%i, 0, 1)) return func(x) # optuna様インターフェース oi = divopt.optuna_interface study = oi.create_study( direction = "maximize" ) study.optimize(target_func, n_trials = 500) print(study.best_params) ```

نیازمندی

مقدار	نام
-	relpath
-	ezpip
-	sout
-	numpy
-	tqdm

نحوه نصب

نصب پکیج whl divopt-0.0.3:

pip install divopt-0.0.3.whl

نصب پکیج tar.gz divopt-0.0.3:

pip install divopt-0.0.3.tar.gz