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

Minimal autograd engine using numpy with minimal implementation of pyTorch or Jax like library for traning NNs.

ویژگی	مقدار
سیستم عامل	-
نام فایل	embedml-0.1.3
نام	embedml
نسخه کتابخانه	0.1.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	amirhm
ایمیل نویسنده	amirhm@gmail.com
آدرس صفحه اصلی	https://github.com/amirhm/embedml
آدرس اینترنتی	https://pypi.org/project/embedml/
مجوز	MIT,

[![](https://github.com/amirhm/embedml/actions/workflows/build.yml/badge.svg)](https://github.com/amirhm/embedml/actions/workflows/build.yml) # embedML pytorch like machine learning framework from scratch I started the repo with building a simple compiler for embeded platfroms, but later decided to make a self contained abstract baby machine learning framework. Could be used mostly for the Educational purpose as well. Easy and full python implemtation using numpy. Smaller sibling or framworks like pytorch or jax :) and useful to see how the behind the scene of those bigger platfrom. ***and it is only less than 200 lines of code!*** ## Instal ```` pip install embedml ```` ## Example tarinig simiar to pytorch: ```python y = model(x) loss = criterion(y, t) loss.backward() opt.step() opt.zero_grad() ```` or like this implement the gradient decent: ```python params = model.get_parameters() for param in params: param -= param.grad * self.lr ``` # Example of differentiation of a funtion form Jax example: ```python from jax import grad import jax.numpy as jnp def tanh(x): # Define a function y = jnp.exp(-2.0 * x) return (1.0 - y) / (1.0 + y) grad_tanh = grad(tanh) # Obtain its gradient function print(grad_tanh(1.0)) # Evaluate it at x = 1.0 # prints 0.4199743 ``` and similar (backward gradient) with embedML: ```python import numpy as np from embedml.tensor import Tensor def tanh(x): # Define a function y = (-2 * x).exp() return (1 - y).div((1 + y)) x = Tensor(np.array(1)) y = tanh(x) y.backward() print(x.grad) ```

نیازمندی

مقدار	نام
-	numpy

زبان مورد نیاز

مقدار	نام
>=3.7.1	Python

نحوه نصب

نصب پکیج whl embedml-0.1.3:

pip install embedml-0.1.3.whl

نصب پکیج tar.gz embedml-0.1.3:

pip install embedml-0.1.3.tar.gz