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

Multi-task learning utilities for fastai

ویژگی	مقدار
سیستم عامل	-
نام فایل	fastmtl-1.2.1
نام	fastmtl
نسخه کتابخانه	1.2.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Barış Deniz Sağlam
ایمیل نویسنده	bdsaglam@gmail.com
آدرس صفحه اصلی	https://github.com/bdsaglam/fastmtl/tree/master/
آدرس اینترنتی	https://pypi.org/project/fastmtl/
مجوز	Apache Software License 2.0

# fastmtl > Multi-task learning utilities for fastai ## Install `pip install fastmtl` ## Usage ### Loss Apply a loss function per model output and get weighted sum of them. For instance, if the first model output is for classification and the second model output is for regression, ```py from fastmtl.loss import CombinedLoss loss_func = CombinedLoss(CrossEntropyLossFlat(), MSELossFlat(), weight=[1.0, 3.0]) ``` ### Metric Apply metrics for each model output. For instance, if we have a model making classification and regression, we can evaluate each model output with relevant metrics. Assuming that model outputs a tuple of tensors for classification and regression, respectively: ```py from fastai.metrics import F1Score, R2Score from fastmtl.metric import mtl_metrics clf_f1_macro = F1Score(average='macro') clf_f1_macro.name = 'clf_f1(macro)' clf_f1_micro = F1Score(average='micro') clf_f1_micro.name = 'clf_f1(micro)' reg_r2 = R2Score() reg_r2.name = 'reg_r2' # metrics for classification in the first list # metrics for regression in the second list metrics = mtl_metrics([clf_f1_macro, clf_f1_micro], [reg_r2]) learn = Learner( ... metrics=metrics, ) ``` ## Tutorials [Video distortion detection](https://bdsaglam.github.io/fastmtl/tutorial.vqa) ## TODO - [ ] Support tabular learner - [ ] Support fastai>=2.7

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl fastmtl-1.2.1:

pip install fastmtl-1.2.1.whl

نصب پکیج tar.gz fastmtl-1.2.1:

pip install fastmtl-1.2.1.tar.gz