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

Basic computation graph, for pedagogical purposes

ویژگی	مقدار
سیستم عامل	-
نام فایل	edugrad-0.0.8
نام	edugrad
نسخه کتابخانه	0.0.8
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Shane Steinert-Threlkeld
ایمیل نویسنده	ssshanest@gmail.com
آدرس صفحه اصلی	https://github.com/shanest/edugrad
آدرس اینترنتی	https://pypi.org/project/edugrad/
مجوز	-

# edugrad This is a library intended for pedagogical purposes illustrating a very minimal implementation of dynamic computational graphs with reverse-mode differentiation (backpropagation) for computing gradients. Three guidelines motivate design choices made in the implementation: * Mimicking PyTorch's API as closely as possible. * Simple `forward`/`backward` for operations (operating on numpy arrays). * Dynamic computation graphs, built as operations are run. The library has been inspired by several other similar projects. Specific acknowledgments are in the source where appropriate. * [`micrograd`](https://github.com/karpathy/micrograd) by Karpathy * [`autodidact`](https://github.com/mattjj/autodidact): a pedagogical implementation of `autograd` * [`joelnet`](https://github.com/joelgrus/joelnet) ## Usage In `examples/toy_half_sum`, you will find a basic use case. `main.py` exhibits a basic use case of defining a feed-forward neural network (multi-layer perceptron) to learn a basic function (in this case, `y = sum(x)/2` where `x` is a binary vector). You can run it by using `python main.py` from an environment with the packages from `requirements.txt`. ## Basics There are a few important data structures: * `Tensor`: this is a wrapper around a numpy array (stored in `.value`), which corresponds to a node in a computation graph, storing information like its parents (if any) and a backward method. * `Operator`: an operator implements the `forward`/`backward` API and operates directly on numpy arrays. A decorator `@tensor_op` converts an `Operator` into a method that can be directly called on `Tensor` arguments, which will build the graph dynamically. * `nn.Module`: as in PyTorch, these are wrappers for graphs that keep track of parameters, sub-modules, etc.

نیازمندی

مقدار	نام
>=1.17	numpy
>=2.4	networkx

نحوه نصب

نصب پکیج whl edugrad-0.0.8:

pip install edugrad-0.0.8.whl

نصب پکیج tar.gz edugrad-0.0.8:

pip install edugrad-0.0.8.tar.gz