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

Implementation of 1D, 2D, and 3D FFT convolutions in PyTorch.

ویژگی	مقدار
سیستم عامل	-
نام فایل	fft-conv-pytorch-1.1.3
نام	fft-conv-pytorch
نسخه کتابخانه	1.1.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Frank Odom
ایمیل نویسنده	frank.odom.iii@gmail.com
آدرس صفحه اصلی	https://github.com/fkodom/fft-conv-pytorch
آدرس اینترنتی	https://pypi.org/project/fft-conv-pytorch/
مجوز	-

# fft-conv-pytorch Implementation of 1D, 2D, and 3D FFT convolutions in PyTorch. * Faster than direct convolution for large kernels. * **Much slower** than direct convolution for small kernels. * In my local tests, FFT convolution is faster when the kernel has >100 or so elements. * Dependent on machine and PyTorch version. * Also see benchmarks below. ## Install Using `pip`: ```bash pip install fft-conv-pytorch ``` From source: ```bash git clone https://github.com/fkodom/fft-conv-pytorch.git cd fft-conv-pytorch pip install . ``` ## Example Usage ```python import torch from fft_conv_pytorch import fft_conv, FFTConv1d # Create dummy data. # Data shape: (batch, channels, length) # Kernel shape: (out_channels, in_channels, kernel_size) # Bias shape: (out channels, ) # For ordinary 1D convolution, simply set batch=1. signal = torch.randn(3, 3, 1024 * 1024) kernel = torch.randn(2, 3, 128) bias = torch.randn(2) # Functional execution. (Easiest for generic use cases.) out = fft_conv(signal, kernel, bias=bias) # Object-oriented execution. (Requires some extra work, since the # defined classes were designed for use in neural networks.) fft_conv = FFTConv1d(3, 2, 128, bias=True) fft_conv.weight = torch.nn.Parameter(kernel) fft_conv.bias = torch.nn.Parameter(bias) out = fft_conv(signal) ``` ## Benchmarks Benchmarking FFT convolution against the direct convolution from PyTorch in 1D, 2D, and 3D. The exact times are heavily dependent on your local machine, but relative scaling with kernel size is always the same. Dimensions | Input Size | Input Channels | Output Channels | Bias | Padding | Stride | Dilation -----------|--------------|----------------|-----------------|------|---------|--------|--------- 1 | (4096) | 4 | 4 | True | 0 | 1 | 1 2 | (512, 512) | 4 | 4 | True | 0 | 1 | 1 3 | (64, 64, 64) | 4 | 4 | True | 0 | 1 | 1 ![Benchmark Plot](doc/benchmark.png)

نیازمندی

مقدار	نام
-	numpy
>=1.8	torch
-	black
-	flake8
-	isort
-	pytest
-	pytest-cov

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl fft-conv-pytorch-1.1.3:

pip install fft-conv-pytorch-1.1.3.whl

نصب پکیج tar.gz fft-conv-pytorch-1.1.3:

pip install fft-conv-pytorch-1.1.3.tar.gz