معرفی شرکت ها

embeddings-0.0.8

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.0.8
0.0.7
0.0.8
0.0.7
0.0.6
0.0.5
0.0.4
0.0.3
0.0.2

توضیحات

Pretrained word embeddings in Python.
ویژگی مقدار
سیستم عامل -
نام فایل embeddings-0.0.8
نام embeddings
نسخه کتابخانه 0.0.8
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Victor Zhong
ایمیل نویسنده victor@victorzhong.com
آدرس صفحه اصلی https://github.com/vzhong/embeddings
آدرس اینترنتی https://pypi.org/project/embeddings/
مجوز MIT
Embeddings ========== .. image:: https://readthedocs.org/projects/embeddings/badge/?version=latest :target: http://embeddings.readthedocs.io/en/latest/?badge=latest :alt: Documentation Status .. image:: https://travis-ci.org/vzhong/embeddings.svg?branch=master :target: https://travis-ci.org/vzhong/embeddings Embeddings is a python package that provides pretrained word embeddings for natural language processing and machine learning. Instead of loading a large file to query for embeddings, ``embeddings`` is backed by a database and fast to load and query: .. code-block:: python >>> %timeit GloveEmbedding('common_crawl_840', d_emb=300) 100 loops, best of 3: 12.7 ms per loop >>> %timeit GloveEmbedding('common_crawl_840', d_emb=300).emb('canada') 100 loops, best of 3: 12.9 ms per loop >>> g = GloveEmbedding('common_crawl_840', d_emb=300) >>> %timeit -n1 g.emb('canada') 1 loop, best of 3: 38.2 µs per loop Installation ------------ .. code-block:: sh pip install embeddings # from pypi pip install git+https://github.com/vzhong/embeddings.git # from github Usage ----- Upon first use, the embeddings are first downloaded to disk in the form of a SQLite database. This may take a long time for large embeddings such as GloVe. Further usage of the embeddings are directly queried against the database. Embedding databases are stored in the ``$EMBEDDINGS_ROOT`` directory (defaults to ``~/.embeddings``). Note that this location is probably **undesirable** if your home directory is on NFS, as it would slow down database queries significantly. .. code-block:: python from embeddings import GloveEmbedding, FastTextEmbedding, KazumaCharEmbedding, ConcatEmbedding g = GloveEmbedding('common_crawl_840', d_emb=300, show_progress=True) f = FastTextEmbedding() k = KazumaCharEmbedding() c = ConcatEmbedding([g, f, k]) for w in ['canada', 'vancouver', 'toronto']: print('embedding {}'.format(w)) print(g.emb(w)) print(f.emb(w)) print(k.emb(w)) print(c.emb(w)) Docker ------ If you use Docker, an image prepopulated with the Common Crawl 840 GloVe embeddings and Kazuma Hashimoto's character ngram embeddings is available at `vzhong/embeddings <https://hub.docker.com/r/vzhong/embeddings>`_. To mount volumes from this container, set ``$EMBEDDINGS_ROOT`` in your container to ``/opt/embeddings``. For example: .. code-block:: bash docker run --volumes-from vzhong/embeddings -e EMBEDDINGS_ROOT='/opt/embeddings' myimage python train.py Contribution ------------ Pull requests welcome!


نیازمندی

مقدار نام
- tqdm
- requests
- numpy
- check-manifest
- sphinx
- sphinx-rtd-theme
- coverage
- nose


نحوه نصب


نصب پکیج whl embeddings-0.0.8:

    pip install embeddings-0.0.8.whl


نصب پکیج tar.gz embeddings-0.0.8:

    pip install embeddings-0.0.8.tar.gz