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 simple utility for generating CNN architectures automatically, using genetic algorithms.

ویژگی	مقدار
سیستم عامل	-
نام فایل	easynas-0.2.1
نام	easynas
نسخه کتابخانه	0.2.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Elad Rapaport
ایمیل نویسنده	erap129@gmail.com
آدرس صفحه اصلی	https://github.com/erap129/EasyNAS
آدرس اینترنتی	https://pypi.org/project/easynas/
مجوز	MIT

# EasyNAS - a simple and effective CNN architecture generator ## Purpose Given a dataset, this python package will utilize genetic algorithms and Pytorch to optimize the structure a simple CNN for the task of classification. With simple meaning that the generated architecture is built of a series of layers, where each layers input is the output the previous one. ## Installation ```python pip install easynas ``` ## Input data format The input data should be split into training and validation sets, with the following dimensions: ```math [#samples, #channels, height, width] ``` This means that 2D image-like data is the expected input. If dealing, for example, with 1D time series data that contains a 'channels' dimension, one should include an extra dimension as such (example with numpy): ```python X = X[:, :, :, None] ``` ## Usage example ```python from easynas.genetic_algorithm import EasyNASGA import torchvision from sklearn.model_selection import train_test_split train_data = torchvision.datasets.MNIST('/files/', train=True, download=True) test_data = torchvision.datasets.MNIST('/files/', train=False, download=True) X_train = train_data.data[:, None, :, :].float() y_train = train_data.targets.float() X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.2, random_state=42) easyga = EasyNASGA(X_train, y_train, X_val, y_val, generations=5, population_size=10, max_epochs=1, weight_inheritance=True) easyga.ga.run() best_individual = easyga.get_best_individual() print(f'best individual: {best_individual}') ``` ## Credits Anyone using this package for research/production purposes is requested to cite the following research articles: ```markdown Rapaport, E., Poese, I., Zilberman, P., Holschke, O., & Puzis, R. (2020). Predicting traffic overflows on private peering. arXiv preprint arXiv:2010.01380. ``` https://arxiv.org/abs/2010.01380 ```markdown Rapaport, Elad, Oren Shriki, and Rami Puzis. "EEGNAS: Neural Architecture Search for Electroencephalography Data Analysis and Decoding." International Workshop on Human Brain and Artificial Intelligence. Springer, Singapore, 2019. ``` https://link.springer.com/chapter/10.1007/978-981-15-1398-5_1

نیازمندی

مقدار	نام
-	tqdm
-	torch
-	numpy
-	pytorch-lightning
-	scikit-learn
-	pyeasyga

نحوه نصب

نصب پکیج whl easynas-0.2.1:

pip install easynas-0.2.1.whl

نصب پکیج tar.gz easynas-0.2.1:

pip install easynas-0.2.1.tar.gz