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

A library of trainable and fixed discrete wavelet transform layers

ویژگی	مقدار
سیستم عامل	-
نام فایل	dwtls-1.0.2
نام	dwtls
نسخه کتابخانه	1.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Tomohiko Nakamura
ایمیل نویسنده	tomohiko.nakamura.jp@ieee.org
آدرس صفحه اصلی	https://github.com/TomohikoNakamura/dwtls
آدرس اینترنتی	https://pypi.org/project/dwtls/
مجوز	MIT

# dwtls: Discrete Wavelet Transform LayerS [![PyPI version](https://badge.fury.io/py/dwtls.svg)](https://badge.fury.io/py/dwtls) | [**Paper**](https://doi.org/10.1109/TASLP.2021.3072496) | [**Demo**](https://tomohikonakamura.github.io/Tomohiko-Nakamura/demo/MRDLA/) `dwtls` is a downsampling/pooling layer library of discrete wavelet transform (DWT) layers with fixed and trainable wavelets presented in [1]. The use of DWT has an anti-aliasing filter and the perferct reconstruction property, at least either of which is lacked in conventional pooling layers. The two properties enables the DWT layers to propagate entire information of an input feature. The library includes the following layers. - DWT layers with fixed wavelets (e.g., Haar, CDF22, CDF26, CDF15, and DD4 wavelets) - DWT layers with trainable wavelets (trainable DWT layers) - Weight-normalized trainable DWT layers The library works with Python>=3.7 and pytorch>=1.0. ## Installation `dwtls` can be installed with: ```bash pip install dwtls ``` or ```bash git clone git@github.com:TomohikoNakamura/dwtls.git pip install -e dwtls ``` ## How to use All DWT layers are implemented as subclasses of `torch.nn.Module` of PyTorch, so we can use them in many DNNs, using PyTorch scripts. We prepare [a short tutorial notebook](examples/tutorial.ipynb), which makes it easy to use our DWT layers in your codes. [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/TomohikoNakamura/dwtls/blob/master/examples/tutorial.ipynb) ## Citation If you use `dwtls` in your work, please cite: ```bibtex @article{TNakamura202104IEEEACMTASLP, author={Nakamura, Tomohiko and Kozuka, Shihori and Saruwatari, Hiroshi}, title = {Time-Domain Audio Source Separation with Neural Networks Based on Multiresolution Analysis}, journal = {IEEE/ACM Transactions on Audio, Speech, and Language Processing}, volume=29, pages={1687--1701}, month=apr, year=2021, doi={10.1109/TASLP.2021.3072496}, } ``` ## References [1] Tomohiko Nakamura, Shihori Kozuka, and Hiroshi Saruwatari, “Time-Domain Audio Source Separation with Neural Networks Based on Multiresolution Analysis,” IEEE/ACM Transactions on Audio, Speech, and Language Processing, vol. 29, pp. 1687–1701, Apr. 2021. [pdf](https://doi.org/10.1109/TASLP.2021.3072496), [demo](https://tomohikonakamura.github.io/Tomohiko-Nakamura/demo/MRDLA/) ## License `dwtls` is MIT licensed (see [LICENSE](LICENSE) file).

نیازمندی

مقدار	نام
-	numpy
-	torch

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl dwtls-1.0.2:

pip install dwtls-1.0.2.whl

نصب پکیج tar.gz dwtls-1.0.2:

pip install dwtls-1.0.2.tar.gz