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

Deep Learning for empirical DownScaling

ویژگی	مقدار
سیستم عامل	-
نام فایل	dl4ds-1.8.0
نام	dl4ds
نسخه کتابخانه	1.8.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Carlos Alberto Gomez Gonzalez
ایمیل نویسنده	carlos.gomez@bsc.es
آدرس صفحه اصلی	https://github.com/carlgogo/dl4ds
آدرس اینترنتی	https://pypi.org/project/dl4ds/
مجوز	Apache v2.0

[![Tensorflow - Version](https://img.shields.io/badge/Tensorflow%2FKeras-2.6+-blue&logo=tensorflow)](https://github.com/carlgogo/dl4ds) [![Python - Version](https://img.shields.io/badge/PYTHON-3.6+-red?style=flat&logo=python&logoColor=white)](https://github.com/carlgogo/dl4ds) [![Open in Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/carlos-gg/dl4ds/blob/master/notebooks/DL4DS_tutorial.ipynb) # Deep Learning for empirical DownScaling `DL4DS` (Deep Learning for empirical DownScaling) is a Python package that implements state-of-the-art and novel deep learning algorithms for empirical downscaling of gridded Earth science data. The general architecture of `DL4DS` is shown on the image below. A low-resolution gridded dataset can be downscaled, with the help of (an arbitrary number of) auxiliary predictor and static variables, and a high-resolution reference dataset. The mapping between the low- and high-resolution data is learned with either a supervised or a conditional generative adversarial DL model. <img src="https://github.com/carlos-gg/dl4ds/raw/master/docs/img/fig_workflow.png" alt="drawing" width="800"/> The training can be done from explicit pairs of high- and low-resolution samples (MOS-style, e.g., high-res observations and low-res numerical weather prediction model output) or only with a HR dataset (PerfectProg-style, e.g., high-res observations or high-res model output). A wide variety of network architectures have been implemented in `DL4DS`. The main modelling approaches can be combined into many different architectures: |Downscaling type |Training (loss type) |Sample type |Backbone section |Upsampling method | |--- |--- |--- |--- |---| |MOS (explicit pairs of HR and LR data) |Supervised (non-adversarial) |Spatial |Plain convolutional |Pre-upsampling via interpolation | |PerfectProg (implicit pairs, only HR data) |Conditional Adversarial |Spatio-temporal |Residual |Post-upsampling via sub-pixel convolution | | | | |Dense |Post-upsampling via resize convolution | | | | |Unet (PIN, Spatial samples) |Post-upsampling via deconvolution | | | | |Convnext (Spatial samples) | | In `DL4DS`, we implement a channel attention mechanism to exploit inter-channel relationship of features by providing a weight for each channel in order to enhance those that contribute the most to the optimizaiton and learning process. Aditionally, a Localized Convolutional Block (LCB) is located in the output module of the networks in `DL4DS`. With the LCB we learn location-specific information via a locally connected layer with biases. `DL4DS` is built on top of Tensorflow/Keras and supports distributed GPU training (data parallelism) thanks to Horovod. # API documentation Check out the API documentation [here](https://carlos-gg.github.io/dl4ds/). # Installation ``` pip install dl4ds ``` # Example notebooks A first Colab notebook can be found in the notebooks folder. Click the badge at the top to open the notebook on Google Colab.

نیازمندی

مقدار	نام
-	numpy
-	scipy
-	matplotlib
-	xarray
-	ecubevis
-	tensorflow
-	sklearn
-	opencv-python
-	joblib
-	seaborn
-	absl-py
-	horovod

نحوه نصب

نصب پکیج whl dl4ds-1.8.0:

pip install dl4ds-1.8.0.whl

نصب پکیج tar.gz dl4ds-1.8.0:

pip install dl4ds-1.8.0.tar.gz