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

A Simple Tool to make Deep Learning projects easier

ویژگی	مقدار
سیستم عامل	-
نام فایل	ezdl-0.0.7
نام	ezdl
نسخه کتابخانه	0.0.7
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Pasquale De Marinis
ایمیل نویسنده	pas.demarinis@gmail.com
آدرس صفحه اصلی	https://github.com/pasqualedem/EzDL
آدرس اینترنتی	https://pypi.org/project/ezdl/
مجوز	-

# EzDL ## Installation Recommended to create a Python virtual environment ```bash pip install ezdl ``` ## Usage ```bash ezdl <ACTION> ``` **mandatory arguments** action: Choose the action to do perform: experiment, resume_run, complete, manipulate, app **optional arguments**: -h, --help show this help message and exit --resume Resume the experiment -d DIR, --dir DIR Set the local tracking directory -f FILE, --file FILE Set the config file --grid GRID Select the first grid to start from --run RUN Select the run in grid to start from --filters FILTERS Filters to query in the resuming mode -s STAGE, --stage STAGE Stages to execute in the resuming mode -p PATH, --path PATH Path to the tracking url in the resuming mode --subset SUBSET Subset chosen for preprocessing ### Parameter file YAML file that contains all parameters necessary to the exepriment to be run. It must have 3 top keys: - experiment - parameters - other_grids Let's see the CIFAR10 example: ```yaml experiment: # It contains all the about the grids and the group of runs: name: Classification # name of the logger platform experiment group: FirstGroup # name of group of experiments for the logger platform continue_with_errors: False # continue with other runs even if a run fails start_from_grid: 0 # skip grids in the grid search start_from_run: 0 # skip runs from the selected grid logger: clearml # logger platform to use tracking_dir: './examplesExp' # dir where results will be saved entity: null # Wandb entity (username) excluded_files: null # glob of files to not upload to Wandb parameters: # Contains the parameters to build the grid. # Each value should be a dict or a list tags: [[mytag1, mytag2]] # list of tags to attach to the run in logger platform phases: [[train, test]] # list of phases dataset_interface: [examples/cifar10/Cifar10] # Path to the dataset interface class train_params: loss: name: [cross_entropy] # class loss name params: seed: [42] # random seed to set max_epochs: [ 1, 2 ] initial_lr: [ 0.0001 ] optimizer: [ Adam ] zero_weight_decay_on_bias_and_bn: [ True ] average_best_models: [ False ] greater_metric_to_watch_is_better: [ False ] metric_to_watch: [ loss ] freeze_pretrained: [ False ] # freeze the loaded pretrained weights # Other parameters relative to Super-Gradients (see their docs) early_stopping: patience: [ 10 ] # number of epochs before stopping monitor: [ loss ] # metric to monitor mode: [ min ] # metric to be minimized or maximized train_metrics: # list of metrics to load from PyTorch metrics # where the values are their parameters used for training f1: average: [macro] num_classes: [10] mdmc_average: [global] test_metrics: # list of metrics to load from PyTorch metrics # where the values are their parameters used for validation and test f1: num_classes: [10] average: [macro] mdmc_average: [global] precision: average: [macro] num_classes: [10] mdmc_average: [global] recall: average: [macro] num_classes: [10] mdmc_average: [global] model: name: [resnet18] # path to model class or model name contained in EzDL or super-gradients params: # model parameters pretrained_weights: [imagenet] num_classes: [10] dataset: # parameters depending on the class you defined for the dataset channels: [["R", "G", "B"]] num_classes: [10] trainset: testset: trainloader: batch_size: [8] num_workers: [0] testloader: batch_size: [8] num_workers: [0] other_grids: # List of supplementary grids (can be empty) in which the parameters defined will override the first grid. ```

نیازمندی

مقدار	نام
-	adjectiveanimalnumber
-	click
-	codecarbon
-	matplotlib
-	numpy
-	opencv-python
-	plotly
-	Pillow
-	ptflops
-	ruamel.yaml
-	scipy
==3.0.7	super-gradients
-	torch
-	torchaudio
-	torchmetrics
-	torchvision
-	torchdistill
-	tqdm
-	wandb
-	transformers
-	einops
-	streamlit
-	streamlit-ace
-	easydict
-	clearml

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl ezdl-0.0.7:

pip install ezdl-0.0.7.whl

نصب پکیج tar.gz ezdl-0.0.7:

pip install ezdl-0.0.7.tar.gz