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

Library that implements boiler plate code in PyTorch for training, testing and plotting your model

ویژگی	مقدار
سیستم عامل	-
نام فایل	fast-torch-1.2.2
نام	fast-torch
نسخه کتابخانه	1.2.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Sakir Ozturk
ایمیل نویسنده	ozturk213@hotmail.fr
آدرس صفحه اصلی	https://github.com/YnsOzt/FastTorch
آدرس اینترنتی	https://pypi.org/project/fast-torch/
مجوز	MIT

# FastTorch Library that implements the training and test loops for your Deep Learning model. After your traning, you can also plot the training results, plot some predictions that your model has made on your test set and also a confusion matrix on the predictions made on your test set. This Library also allow you to plot some usefull informations about your dataset. /!\ Note: Currently only supports classification tasks, it'll support other types of task in the future... ## Installation run the following command then you are ready to go ! ``` pip install fast_torch ``` ## Usage Take a look at the complete [Documentation](https://github.com/YnsOzt/FastTorch/blob/master/documentation/README.md) of this framework. A complete example is available on the [Notebook](https://github.com/YnsOzt/FastTorch/blob/master/examples/FAST_TORCH_MNIST_EXAMPLE.ipynb). ### Plot stats about your datasets ```python # Import the plotting module of the library import fast_torch.plotter as ftplot # Will plot some random images of the dataloader that you've passed in the parameter ftplot.plot_images(train_dataloader) # Will plot the class distributions of your train, val, test datasets ftplot.plot_classes_distributions(train_dataloader, test_dataloader, val_dataloader) ``` ### Train and test your model ```python # Import the model_wrapper module import fast_torch.model_wrapper as mw # Initialize your model model = Model() # Initialize the options training_opts = { "epochs": 5, "criterion": nn.CrossEntropyLoss(), "optimizer": optim.SGD(model.parameters(), lr=0.01), "early_stopping_patience": 2 } # Instantiate the classifier wrapper clf = mw.Classifier(model, training_opts, train_loader, test_loader, val_loader, device="cuda") # Train your model clf.train() # Test your model clf.test() # Plot the training stats (Training loss, Vaildation loss + accuracy) clf.plot_training_stats() # Plot random prediction made by your trained model clf.plot_random_predictions() # Plot the confusion matrix clf.plot_confusion_matrix() ``` ## TODOS * Add a dataset creator for images (with the splits etc..) * Clean the code * Make the confusion matrix figsize flexible * Add Learning rate decay to the 'Classifier' * Add other model wrappers * Make the plot functions more flexible (working with other type of dataset, not only dataloader)

نحوه نصب

نصب پکیج whl fast-torch-1.2.2:

pip install fast-torch-1.2.2.whl

نصب پکیج tar.gz fast-torch-1.2.2:

pip install fast-torch-1.2.2.tar.gz