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

Femtosense Model Optimization Toolkit

ویژگی	مقدار
سیستم عامل	-
نام فایل	fmot-1.5.6
نام	fmot
نسخه کتابخانه	1.5.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Femtosense
ایمیل نویسنده	info@femtosense.ai
آدرس صفحه اصلی	https://github.com/femtosense/fmot
آدرس اینترنتی	https://pypi.org/project/fmot/
مجوز	-

![Build Status](https://codebuild.us-west-2.amazonaws.com/badges?uuid=eyJlbmNyeXB0ZWREYXRhIjoiRGpDOFpEOXF1M0prSy9OOVNkZ3F2NkRKM0NNMG8xbmpZU0hZdUp1ejhHOEswdDRhOEZOakMrdWZyaHp1WGVtQ1lVTStzRUpXaFlYeFZPSEJFd21NdjF3PSIsIml2UGFyYW1ldGVyU3BlYyI6InJZYzhuZ3d3a1FUUzBzM0kiLCJtYXRlcmlhbFNldFNlcmlhbCI6MX0%3D&branch=master) # fmot The Femtosense Model Optimization Toolkit (fmot) quantizes neural network models for deployment on Femtosense hardware. ## Installation ``` git clone https://github.com/femtosense/fmot.git cd fmot pip install -e . ``` ## Quantizing Models You get to define your pytorch models however you want. Once your model has been trained, it can be converted to the `fmot.qat` format by calling `fmot.convert.convert_torch_to_qat`. This resulting `qat` model will initially not be quantized. To quantize it, provide your model, along with an iteratable of sample inputs, to `fmot.qat.control.quantize`. These test inputs will help the `qat` model to find an optimal quantization configuration. The resulting quantized model will now simulate the fixed-point integer arithmetic, exactly how it will be performed on Femtosense hardware. ```python import torch import fmot class MyModel(torch.nn.Module): def __init__(self, din, dout): super().__init__() weights = torch.rand(din, dout) self.weight = torch.nn.Parameter(weights) self.linear = torch.nn.Linear(dout, dout) def forward(self, x): x = torch.matmul(x, self.weight) x = x.relu() x = self.linear(x) x = torch.sigmoid(x) return x model = MyModel(128, 256) ### TRAINING GOES HERE # Convert the trained model to qat format quant_model = fmot.convert.convert_torch_to_qat(model) # Provide a set of sample inputs to choose an optimal quantization scheme quant_model = fmot.qat.control.quantize(quant_model, [torch.randn(16, 128) for __ in range(20)]) ``` **NOTE: THE ABOVE API NEEDS A TOP-LEVEL SHORTCUT** ## Fine-Tuning Quantized Models ## Setting Custom Bitwidths ## Emitting FQIR Once your model has been quantized, ## Building and Viewing Sphinx Documentation First, let's install sphinx. On macOs: ``` brew install sphinx-doc ``` On [other platforms](https://www.sphinx-doc.org/en/1.8/usage/installation.html). Now, let's install some dependencies with pip: ``` cd docs pip install -r requirements.txt ``` You can now build the documentation by running ``` make html ``` This documentation can be viewed in your browser with `Open File` (⌘O). Navigate to ``` {fmot_base}/docs/_build/html/index.html ``` ## Running Tests ## Pruning Weight Matrices ## Sparsifying Activations ## Using Custom Layers

نیازمندی

مقدار	نام
-	Cython
>=1.12.1	torch
>=1.18.0	numpy
-	scipy
-	python-speech-features
-	tqdm
-	networkx
-	deprecation
-	tabulate
>=0.14.4	datashader
-	colorcet
-	matplotlib

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl fmot-1.5.6:

pip install fmot-1.5.6.whl

نصب پکیج tar.gz fmot-1.5.6:

pip install fmot-1.5.6.tar.gz