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

Implementation of deep learning, machine learning and math algorithms in NumPy and pure Python

ویژگی	مقدار
سیستم عامل	-
نام فایل	enp-0.1.0
نام	enp
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Alexander Shlyapin
ایمیل نویسنده	al.shlyapin@gmail.com
آدرس صفحه اصلی	https://github.com/shlyapin/enp
آدرس اینترنتی	https://pypi.org/project/enp/
مجوز	-

**enp** (stands for Everything in NumPy) provides implementation of deep learning, machine learning, and math algorithms in NumPy and pure Python. Installation ---------------------- You can install the library using pip: :: pip install enp Description ---------------------- The library consists of 3 main parts: - deep learning - examples of usage are in examples/nn - impementation is in enp/nn - loosely follows PyTorch conventions - machine learning - examples of usage are in examples/ml - impementation is in enp/ml - loosly follows scikit-learn conventions - linear algebra - examples of usage are in tests/test_linear_algebra.py and tests/test_linear_algebra_additional.py - impementation is in enp/linalg Deep Learning ---------------------- Example of building, prediction, and training a simple neural network consisting of linear layers: :: from enp.nn import * model = Model(learning_rate=0.0075) input_layer = InputLayer(layer_dim=12288) linear_1 = Linear(layer_dim=7, prev_layer=input_layer, activation='relu') linear_2 = Linear(layer_dim=1, prev_layer=linear_1, activation='sigmoid') cost_layer = BCELoss(layer_dim=1, prev_layer=linear_2) model.layers = [input_layer, linear_1, linear_2, cost_layer] model.train(x=train_x, y=train_y, num_iterations=2500) test_y_pred = model.predict(test_x) Machine Learning ---------------------- Example of building, prediction, and training a linear regression: :: from enp.ml import LinearRegression import numpy as np X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]]) y = np.dot(X, np.array([1, 2])) + 3 reg = LinearRegression().fit(X, y) prediction = reg.predict(np.array([[3, 5]])) Linear Algebra ---------------------- Example of solving a system of linear equations Ax=b: :: from enp.linalg import solve_system_of_linear_equations import numpy as np a = np.array([[0, -2], [4, 7]]) b = np.array([1, 2]) x = solve_system_of_linear_equations(a, b)

نیازمندی

مقدار	نام
-	numpy

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl enp-0.1.0:

pip install enp-0.1.0.whl

نصب پکیج tar.gz enp-0.1.0:

pip install enp-0.1.0.tar.gz