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

A research and production integrated edge-cloud library for federated/distributed machine learning at anywhere at any scale.

ویژگی	مقدار
سیستم عامل	-
نام فایل	fedml-0.8.4a9
نام	fedml
نسخه کتابخانه	0.8.4a9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	FedML Team
ایمیل نویسنده	ch@fedml.ai
آدرس صفحه اصلی	https://github.com/FedML-AI/FedML
آدرس اینترنتی	https://pypi.org/project/fedml/
مجوز	Apache 2.0

# FedML - The community building and connecting AI anywhere at any scale https://doc.fedml.ai ## Mission FedML builds simple and versatile APIs for machine learning running anywhere at any scale. In other words, FedML supports both federated learning for data silos and distributed training for acceleration with MLOps and Open Source support, covering industrial grade use cases and cutting-edge academia research. - Distributed Training: Accelerate Model Training with Lightweight Cheetah - Simulator: (1) simulate FL using a single process (2) MPI-based FL Simulator (3) NCCL-based FL Simulator (fastest) - Cross-silo Federated Learning for cross-organization/account training, including Python-based edge SDK - Cross-device Federated Learning for Smartphones and IoTs, including edge SDK for Android/iOS and embedded Linux. - Model Serving: we focus on providing a better user experience for edge AI. - MLOps: FedML's machine learning operation pipeline for AI running anywhere at any scale. ## Source Code Structure The functionality of each package is as follows: **core**: The FedML low-level API package. This package implements distributed computing by communication backend like MPI, NCCL, MQTT, gRPC, PyTorch RPC, and also supports topology management. Other low-level APIs related to security and privacy are also supported. All algorithms and Scenarios are built based on the "core" package. **data**: FedML will provide some default datasets for users to get started. Customization templates are also provided. **model**: FedML model zoo. **device**: FedML computing resource management. **simulation**: FedML parrot can support: (1) simulate FL using a single process (2) MPI-based FL Simulator (3) NCCL-based FL Simulator (fastest) **cross-silo**: Cross-silo Federated Learning for cross-organization/account training **cross-device**: Cross-device Federated Learning for Smartphones and IoTs **distributed**: Distributed Training: Accelerate Model Training with Lightweight Cheetah **serve**: Model serving, tailored for edge inference **mlops**: APIs related to machine learning operation platform (open.fedml.ai) **centralized**: Some centralized trainer code examples for benchmarking purposes. **utils**: Common utilities shared by other modules. ## About FedML, Inc. https://FedML.ai

نیازمندی

مقدار	نام
>=1.21	numpy
-	PyYAML
-	h5py
-	tqdm
-	wget
-	paho-mqtt
-	boto3
-	pynvml
-	scikit-learn
-	networkx
-	click
>=1.13.1	torch
>=0.14.1	torchvision
-	spacy
-	gensim
-	multiprocess
==6.3.0	smart-open
-	nvidia-ml-py3
-	matplotlib
-	dill
-	pandas
==0.13.2	wandb
-	eciespy
-	PyNaCl
-	httpx
-	attrs
==0.92.0	fastapi
-	uvicorn
<=2.0.9,>=1.4.4	geventhttpclient
>=3.8.1	aiohttp
>=0.9.1	python-rapidjson
-	tritonclient
-	redis
-	attrdict
-	ntplib
-	typing-extensions
-	chardet
<0.9.0,>=0.8.1	graphviz
-	sqlalchemy
-	mpi4py
-	grpcio
-	jax[cpu]
-	dm-haiku
-	optax
-	jaxlib
==2.0.0b1	mxnet
-	tensorflow
-	tensorflow-datasets
-	tensorflow-federated

نحوه نصب

نصب پکیج whl fedml-0.8.4a9:

pip install fedml-0.8.4a9.whl

نصب پکیج tar.gz fedml-0.8.4a9:

pip install fedml-0.8.4a9.tar.gz