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

Normalizing flow implementations in jax.

ویژگی	مقدار
سیستم عامل	-
نام فایل	flowjax-9.0.0
نام	flowjax
نسخه کتابخانه	9.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Daniel Ward
ایمیل نویسنده	danielward27@outlook.com
آدرس صفحه اصلی	https://github.com/danielward27/flowjax.git
آدرس اینترنتی	https://pypi.org/project/flowjax/
مجوز	MIT

<div align="center"> <img src="./images/flowjax_logo.png?raw=true" alt="logo" width="500" ></img> </div> # FlowJax: Normalising Flows in Jax ## Documentation Available [here](https://danielward27.github.io/flowjax/index.html). ## Short example Training a flow can be done in a few lines of code: ``` from flowjax.flows import BlockNeuralAutoregressiveFlow from flowjax.train import fit_to_data from flowjax.distributions import Normal from jax import random import jax.numpy as jnp data_key, flow_key, train_key = random.split(random.PRNGKey(0), 3) x = random.uniform(data_key, (10000, 3)) # Toy data base_dist = Normal(jnp.zeros(x.shape[1])) flow = BlockNeuralAutoregressiveFlow(flow_key, base_dist) flow, losses = fit_to_data(train_key, flow, x, learning_rate=0.05) # We can now evaluate the log-probability of arbitrary points flow.log_prob(x) ``` The package currently supports the following: - `CouplingFlow` ([Dinh et al., 2017](https://arxiv.org/abs/1605.08803)) - `MaskedAutoregressiveFlow` ([Papamakarios et al., 2017](https://arxiv.org/abs/1705.07057v4)). - Common "transformers", such as `Affine` and `RationalQuadraticSpline` (the latter used in neural spline flows; [Durkan et al., 2019](https://arxiv.org/abs/1906.04032)) - `BlockNeuralAutoregressiveFlow`, as introduced by [De Cao et al., 2019](https://arxiv.org/abs/1904.04676) - `TriangularSplineFlow`, introduced here. ## Installation ``` pip install flowjax ``` ## Warning This package is new and may have substantial breaking changes between major releases. ## TODO A few limitations / things that could be worth including in the future: - Add ability to "reshape" bijections. - Ability to "stack" bijections on a given (or new) axis. ## Related We make use of the [Equinox](https://arxiv.org/abs/2111.00254) package, which facilitates object-oriented programming with Jax. ## Authors `flowjax` was written by `Daniel Ward <danielward27@outlook.com>`.

نیازمندی

مقدار	نام
-	jax
>=0.3	jaxlib
>=0.10	equinox
-	tqdm
-	optax
-	pytest

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl flowjax-9.0.0:

pip install flowjax-9.0.0.whl

نصب پکیج tar.gz flowjax-9.0.0:

pip install flowjax-9.0.0.tar.gz