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

ExhaustiveWeightedRandomSampler is an advanced version of WeightedRandomSampler

ویژگی	مقدار
سیستم عامل	-
نام فایل	exhaustive-weighted-random-sampler-0.0.2
نام	exhaustive-weighted-random-sampler
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Chenglu She
ایمیل نویسنده	chenglu.she@gmail.com
آدرس صفحه اصلی	https://github.com/louis-she/exhaustive-weighted-random-sampler
آدرس اینترنتی	https://pypi.org/project/exhaustive-weighted-random-sampler/
مجوز	-

# ExhaustiveWeightedRandomSampler [![run test](https://github.com/louis-she/exhaustive-weighted-random-sampler/actions/workflows/test.yaml/badge.svg)](https://github.com/louis-she/exhaustive-weighted-random-sampler/actions/workflows/test.yaml) [![codecov](https://codecov.io/gh/louis-she/exhaustive-weighted-random-sampler/branch/main/graph/badge.svg?token=MMZ4PEB1Y7)](https://codecov.io/gh/louis-she/exhaustive-weighted-random-sampler) ExhaustiveWeightedRandomSampler can exhaustively sample the indices with a specific weight over epochs. ## Installation ```bash pip install exhaustive-weighted-random-sampler ``` ## Usage & Comparasion ```python import torch from torch.utils.data import WeightedRandomSampler from exhaustive_weighted_random_sampler import ExhaustiveWeightedRandomSampler sampler = WeightedRandomSampler([1, 1, 1, 1, 1, 1, 1, 1, 1, 10], num_samples=5) for i in range(5): print(list(sampler)) """ output: [4, 3, 9, 3, 4] [0, 5, 0, 9, 8] [9, 9, 0, 9, 2] [9, 9, 7, 9, 9] [9, 9, 9, 9, 9] explain: there are no 1 and 6, but 0 appears three times """ sampler = ExhaustiveWeightedRandomSampler([1, 1, 1, 1, 1, 1, 1, 1, 1, 10], num_samples=5) for i in range(5): print(list(sampler)) """ output: [4, 6, 9, 9, 9] [1, 0, 9, 9, 5] [9, 7, 3, 8, 9] [9, 2, 1, 9, 9] [8, 9, 7, 3, 2] explain: all the 0 to 8 appears in the yield results. """ ``` ## Use in DDP It can be used in `DDP` if [pytorch-ignite](https://pytorch.org/ignite/index.html) has been installed. ```python from ignite.distributed import DistributedProxySampler from torch.utils.data import DataLoader dataset = ... sampler = DistributedProxySampler( ExhaustiveWeightedRandomSampler(weights, num_samples=10000) ) loader = DataLoader(dataset, sampler=sampler, ...) ```

نیازمندی

مقدار	نام
-	torch

نحوه نصب

نصب پکیج whl exhaustive-weighted-random-sampler-0.0.2:

pip install exhaustive-weighted-random-sampler-0.0.2.whl

نصب پکیج tar.gz exhaustive-weighted-random-sampler-0.0.2:

pip install exhaustive-weighted-random-sampler-0.0.2.tar.gz