معرفی شرکت ها

fair-loss-0.5

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.5
0.4
0.3
0.2
0.1
0.5
0.4

توضیحات

A fair loss function
ویژگی مقدار
سیستم عامل -
نام فایل fair-loss-0.5
نام fair-loss
نسخه کتابخانه 0.5
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Vincent Lequertier
ایمیل نویسنده vi.le@autistici.org
آدرس صفحه اصلی https://pypi.org/project/fair-loss/
آدرس اینترنتی https://pypi.org/project/fair-loss/
مجوز -
<!-- SPDX-License-Identifier: GPL-3.0-only SPDX-FileCopyrightText: 2020 Vincent Lequertier <vi.le@autistici.org> --> # A fair PyTorch loss function [![REUSE status](https://api.reuse.software/badge/gitlab.com/vi.le/fair-loss)](https://api.reuse.software/info/gitlab.com/vi.le/fair-loss) [![PyPI version](https://img.shields.io/pypi/v/fair-loss.svg)](https://pypi.python.org/pypi/fair-loss) The goal of this loss function is to take fairness into account during the training of a PyTorch model. It works by adding a fairness measure to a regular loss value, following this equation: <img src="https://latex.codecogs.com/svg.latex?\Large&space;loss%20=%20loss%20+%20\lambda{{\sum_{i=0}^{k}w_i%20f_i(y_{pred},%20y_{true})}%20\over%20\min\limits_{%20\forall%20i\in%20[0,k[}%20f_i(y_{pred},%20y_{true})}" /> ## Installation ```bash pip install fair-loss ``` ## Example ```python import torch from fair_loss import FairLoss model = torch.nn.Sequential(torch.nn.Linear(5, 1), torch.nn.ReLU()) data = torch.randint(0, 5, (100, 5), dtype=torch.float, requires_grad=True) y_true = torch.randint(0, 5, (100, 1), dtype=torch.float) y_pred = model(data) # Let's say the sensitive attribute is in the second dimension dim = 1 criterion = FairLoss(torch.nn.MSELoss(), data[:, dim].detach().unique(), accuracy) loss = criterion(data[:, dim], y_pred, y_true) loss.backward() ``` ## Documentation See [the documentation](http://vi.le.gitlab.io/fair-loss/).


نیازمندی

مقدار نام
- torch


زبان مورد نیاز

مقدار نام
>=3.5, <4 Python


نحوه نصب


نصب پکیج whl fair-loss-0.5:

    pip install fair-loss-0.5.whl


نصب پکیج tar.gz fair-loss-0.5:

    pip install fair-loss-0.5.tar.gz