معرفی شرکت ها
fastai-minima-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 minimal version of fastai with only what's needed for the training loop
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | fastai-minima-0.0.9 |
| نام | fastai-minima |
| نسخه کتابخانه | 0.0.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Zachary Mueller, Jeremy Howard, Sylvain Gugger, and contributors |
| ایمیل نویسنده | muellerzr@gmail.com |
| آدرس صفحه اصلی | https://github.com/muellerzr/fastai_minima/tree/master/ |
| آدرس اینترنتی | https://pypi.org/project/fastai-minima/ |
| مجوز | Apache Software License 2.0 |
# fastai_minima
> A mimal version of fastai with the barebones needed to work with Pytorch
```python
#all_slow
```
## Install
`pip install fastai_minima`
## How to use
This library is designed to bring in only the _minimal_ needed from [fastai](https://github.com/fastai/fastai) to work with raw Pytorch. This includes:
* Learner
* Callbacks
* Optimizer
* DataLoaders (but not the `DataBlock`)
* Metrics
Below we can find a very minimal example based off my [Pytorch to fastai, Bridging the Gap](https://muellerzr.github.io/fastblog/2021/02/14/Pytorchtofastai.html) article:
```python
import torch
import torchvision
import torchvision.transforms as transforms
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5,0.5,0.5), (0.5,0.5,0.5))])
dset_train = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
dset_test = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(dset_train, batch_size=4,
shuffle=True, num_workers=2)
testloader = torch.utils.data.DataLoader(dset_test, batch_size=4,
shuffle=False, num_workers=2)
```
Files already downloaded and verified
Files already downloaded and verified
```python
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
```
```python
criterion = nn.CrossEntropyLoss()
```
```python
from torch import optim
from fastai_minima.optimizer import OptimWrapper
from fastai_minima.learner import Learner, DataLoaders
from fastai_minima.callback.training import CudaCallback, ProgressCallback
```
```python
def opt_func(params, **kwargs): return OptimWrapper(optim.SGD(params, **kwargs))
dls = DataLoaders(trainloader, testloader)
```
```python
learn = Learner(dls, Net(), loss_func=criterion, opt_func=opt_func)
# To use the GPU, do
# learn = Learner(dls, Net(), loss_func=criterion, opt_func=opt_func, cbs=[CudaCallback()])
```
```python
learn.fit(2, lr=0.001)
```
<table border="1" class="dataframe">
<thead>
<tr style="text-align: left;">
<th>epoch</th>
<th>train_loss</th>
<th>valid_loss</th>
<th>time</th>
</tr>
</thead>
<tbody>
<tr>
<td>0</td>
<td>2.269467</td>
<td>2.266472</td>
<td>01:20</td>
</tr>
<tr>
<td>1</td>
<td>1.876898</td>
<td>1.879593</td>
<td>01:21</td>
</tr>
</tbody>
</table>
/mnt/d/lib/python3.7/site-packages/torch/autograd/__init__.py:132: UserWarning: CUDA initialization: Found no NVIDIA driver on your system. Please check that you have an NVIDIA GPU and installed a driver from http://www.nvidia.com/Download/index.aspx (Triggered internally at /pytorch/c10/cuda/CUDAFunctions.cpp:100.)
allow_unreachable=True) # allow_unreachable flag
If you want to do differential learning rates, when creating your `splitter` to pass into fastai's `Learner` you should utilize the `convert_params` to make it compatable with Pytorch Optimizers:
```python
def splitter(m): return convert_params([[m.a], [m.b]])
```
```python
learn = Learner(..., splitter=splitter)
```
نیازمندی
| مقدار | نام |
|---|---|
| >=1.3.19 | fastcore |
| >=0.2.4 | fastprogress |
| >=1.7.0 | torch |
| >=0.24.1 | scikit-learn |
| >=1.1.5 | pandas |
| >=1.19.5 | numpy |
| >=3.2.2 | matplotlib |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl fastai-minima-0.0.9:
pip install fastai-minima-0.0.9.whl
نصب پکیج tar.gz fastai-minima-0.0.9:
pip install fastai-minima-0.0.9.tar.gz