معرفی شرکت ها
estimator-0.0.9
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 بیشترتوضیحات
A framework for quickly creating machine learning models using Estimator API of TensorFlow.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | estimator-0.0.9 |
| نام | estimator |
| نسخه کتابخانه | 0.0.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Ravindra Marella |
| ایمیل نویسنده | mv.ravindra007@gmail.com |
| آدرس صفحه اصلی | https://github.com/AppliedDeepLearning/estimator |
| آدرس اینترنتی | https://pypi.org/project/estimator/ |
| مجوز | MIT |
A framework for quickly creating machine learning models using Estimator API of TensorFlow.
<!-- TOC depthFrom:2 depthTo:3 withLinks:1 updateOnSave:1 orderedList:0 -->
- [Installation](#installation)
- [Getting Started](#getting-started)
- [Example: CNN MNIST Classifier](#example-cnn-mnist-classifier)
- [Model Function](#model-function)
- [License](#license)
<!-- /TOC -->
## Installation
[Install TensorFlow]:
```sh
pip install tensorflow
```
and run:
```sh
pip install estimator
```
It is recommended to use a [virtual environment].
## Getting Started
```py
from estimator import Model
import tensorflow as tf
# Define the network architecture - layers, number of units, activations etc.
def network(inputs):
hidden = tf.layers.Dense(units=64, activation=tf.nn.relu)(inputs)
outputs = tf.layers.Dense(units=10)(hidden)
return outputs
# Configure the learning process - loss, optimizer, evaluation metrics etc.
model = Model(network,
loss='sparse_softmax_cross_entropy',
optimizer=('GradientDescent', 0.001),
metrics=['accuracy'])
# Train the model using training data
model.train(x_train, y_train, epochs=30, batch_size=128)
# Evaluate the model performance on test or validation data
loss_and_metrics = model.evaluate(x_test, y_test)
# Use the model to make predictions for new data
predictions = model.predict(x)
# or call the model directly
predictions = model(x)
```
More configuration options are available:
```py
model = Model(network,
loss='sparse_softmax_cross_entropy',
optimizer=optimizer('GradientDescent', 0.001),
metrics=['accuracy'],
model_dir='/tmp/my_model')
```
You can also use custom functions for loss and metrics:
```py
def custom_loss(labels, outputs):
pass
def custom_metric(labels, outputs):
pass
model = Model(network,
loss=custom_loss,
optimizer=('GradientDescent', 0.001),
metrics=['accuracy', custom_metric])
```
### Example: CNN MNIST Classifier
This example is based on the [MNIST example] of TensorFlow:
```py
from estimator import Model, GradientDescent, TRAIN
import tensorflow as tf
def network(x, mode):
x = tf.reshape(x, [-1, 28, 28, 1])
x = tf.layers.Conv2D(filters=32, kernel_size=[5, 5], padding='same', activation=tf.nn.relu)(x)
x = tf.layers.MaxPooling2D(pool_size=[2, 2], strides=2)(x)
x = tf.layers.Conv2D(filters=64, kernel_size=[5, 5], padding='same', activation=tf.nn.relu)(x)
x = tf.layers.MaxPooling2D(pool_size=[2, 2], strides=2)(x)
x = tf.layers.Flatten()(x)
x = tf.layers.Dense(units=1024, activation=tf.nn.relu)(x)
x = tf.layers.Dropout(rate=0.4)(x, training=mode == TRAIN)
x = tf.layers.Dense(units=10)(x)
return x
# Configure the learning process
model = Model(network,
loss='sparse_softmax_cross_entropy',
optimizer=('GradientDescent', 0.001))
```
`mode` parameter specifies whether the model is used for training, evaluation or prediction.
### Model Function
To have more control, you may configure the model inside a function using `Estimator` class:
```py
from estimator import Estimator, PREDICT
import tensorflow as tf
def model(features, labels, mode):
# Define the network architecture
hidden = tf.layers.Dense(units=64, activation=tf.nn.relu)(features)
outputs = tf.layers.Dense(units=10)(hidden)
predictions = tf.argmax(outputs, axis=1)
# In prediction mode, simply return predictions without configuring learning process
if mode == PREDICT:
return predictions
# Configure the learning process for training and evaluation modes
loss = tf.losses.sparse_softmax_cross_entropy(labels, outputs)
optimizer = tf.train.GradientDescentOptimizer(0.001)
accuracy = tf.metrics.accuracy(labels, predictions)
return dict(loss=loss,
optimizer=optimizer,
metrics={'accuracy': accuracy})
# Create the model using model function
model = Estimator(model)
# Train the model
model.train(x_train, y_train, epochs=30, batch_size=128)
```
## License
[MIT][license]
[license]: /LICENSE
[virtual environment]: https://docs.python.org/3/library/venv.html
[MNIST example]: https://www.tensorflow.org/tutorials/layers#building_the_cnn_mnist_classifier
[Install TensorFlow]: https://www.tensorflow.org/install/
نحوه نصب
نصب پکیج whl estimator-0.0.9:
pip install estimator-0.0.9.whl
نصب پکیج tar.gz estimator-0.0.9:
pip install estimator-0.0.9.tar.gz