معرفی شرکت ها
fastpapers-0.0.8
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
Fastai implementation of papers.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | fastpapers-0.0.8 |
| نام | fastpapers |
| نسخه کتابخانه | 0.0.8 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Andres Babino |
| ایمیل نویسنده | ababino@gmail.com |
| آدرس صفحه اصلی | https://github.com/ababino/fastpapers/tree/master/ |
| آدرس اینترنتی | https://pypi.org/project/fastpapers/ |
| مجوز | Apache Software License 2.0 |
# Welcome to fastpapers
> Play LEGO with papers.
```python
#all_slow
```
`fastpapers` is a python library where I use [fastai](https://docs.fast.ai/) to reproduce papers on [Jupyter Notebooks](https://jupyter.org/). I use [nbdev](https://nbdev.fast.ai/) to turn these notebooks into modules.
## Install
`pip install fastpapers`
## How to use
### Train DETR in 3 lines of code
Download the data
```python
path = download_coco(force_download=False)
```
Create the DataLoaders, the Learner, and fit.
```python
dls = CocoDataLoaders.from_sources(path, vocab=coco_vocab, num_workers=0)
learnd = detr_learner(dls)
learnd.fit(1, lr=[1e-5, 1e-5, 1e-5])
```
<table border="1" class="dataframe">
<thead>
<tr style="text-align: left;">
<th>epoch</th>
<th>train_loss</th>
<th>valid_loss</th>
<th>AP</th>
<th>AP50</th>
<th>AP75</th>
<th>AP_small</th>
<th>AP_medium</th>
<th>AP_large</th>
<th>AR1</th>
<th>AR10</th>
<th>AR100</th>
<th>AR_small</th>
<th>AR_medium</th>
<th>AR_large</th>
<th>time</th>
</tr>
</thead>
<tbody>
<tr>
<td>0</td>
<td>5.892842</td>
<td>7.636298</td>
<td>0.475381</td>
<td>0.574125</td>
<td>0.506063</td>
<td>0.297741</td>
<td>0.458006</td>
<td>0.560994</td>
<td>0.355018</td>
<td>0.545646</td>
<td>0.560374</td>
<td>0.375141</td>
<td>0.541728</td>
<td>0.630330</td>
<td>2:05:24</td>
</tr>
</tbody>
</table>
Show the results
```python
with learnd.removed_cbs(learnd.coco_eval): learnd.show_results(max_n=8, figsize=(10,10))
```
### Superresolution in 4 lines of code
Download the data
```python
path = untar_data(URLs.IMAGENETTE)
```
Create the DataLoaders, the Learner adn fit.
```python
#hide_output
db = DataBlock(blocks=(ResImageBlock(72), ResImageBlock(288)),
get_items=get_image_files,
batch_tfms=Normalize.from_stats([0.5]*3, [0.5]*3))
dls = db.dataloaders(path, bs=4, num_workers=4)
learn = superres_learner(dls)
learn.fit(16, lr=1e-3, wd=0)
```
```python
learn.show_results()
```
### Library structure
The name of each module is the [bibtexkey](https://en.wikipedia.org/wiki/BibTeX#Field_types) of the corresponing paper.
For example, if you want to use the FID metric from [Heusel, Martin, et al. 2017](http://papers.nips.cc/paper/7240-gans-trained-by-a-two-t), you can import it like so:
```python
from fastpapers.heusel2017gans import FIDMetric
```
If you want to train a pix2pix model from Isola, [Phillip, et al](https://openaccess.thecvf.com/content_cvpr_2017/papers/Isola_Image-To-Image_Translation_With_CVPR_2017_paper.pdf) you can import a pix2pix_learner
```python
from fastpapers.isola2017image import pix2pix_learner
```
The `core` module contains functions and classes that are useful for several papers.
For example, you have a `ImageNTuple` to work with an arbitrary amount of images as input.
```python
path = untar_data(URLs.PETS)
files = get_image_files(path/"images")
```
```python
it = ImageNTuple.create((files[0], files[1], files[2]))
it = Resize(224)(it)
it = ToTensor()(it)
it.show();
```
Or useful functions for debuging like `explode_shapes` or `explode_ranges`
```python
explode_shapes(it)
```
[(3, 224, 224), (3, 224, 224), (3, 224, 224)]
نیازمندی
| مقدار | نام |
|---|---|
| >=2.1.4 | fastai |
| - | fastcore |
| - | seaborn |
| - | pycocotools |
| - | torchfile |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl fastpapers-0.0.8:
pip install fastpapers-0.0.8.whl
نصب پکیج tar.gz fastpapers-0.0.8:
pip install fastpapers-0.0.8.tar.gz