معرفی شرکت ها

food2vec-0.0.4

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.0.4
0.0.3
0.0.2
0.0.1
0.0.3
0.0.2
0.0.1

توضیحات

Tools for semantic nutrition
ویژگی مقدار
سیستم عامل -
نام فایل food2vec-0.0.4
نام food2vec
نسخه کتابخانه 0.0.4
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Joshua D'Arcy
ایمیل نویسنده joshuadrc@gmail.com
آدرس صفحه اصلی https://github.com/pypa/sampleproject
آدرس اینترنتی https://pypi.org/project/food2vec/
مجوز -
# Semantic Nutrition This repo demonstrates how our semantic nutrition API works. We submitted this process as a clinical abtract to MLHC 2020 ([poster](https://github.com/Big-Ideas-Lab/food2vec/blob/7da6dcd3493f4a6b2efda8567b388266d93194aa/Poster_Semantic_Nutrition.pdf), [abstract](https://github.com/Big-Ideas-Lab/food2vec/blob/2b4c4ef5584b33349be03b3cb198a7b84b3230c7/Abstract_Semantic_Nutrition.pdf)). **This is a base implementation of what was presented at the MLHC**, and operates on a limited dataset. The dataset we used for training and publication is not ours to share. If you're interested in using your own nutrition dataset with this API, you can designate a different (local or hosted) csv when you initialize the class. The USDA provides an excellent [starting point](https://fdc.nal.usda.gov) to build a dataset. ## Installation #### Requires Python >= 3.6 ``` pip install food2vec ``` ## Usage ``` from food2vec.semantic_nutrition import Estimator estimator = Estimator() # Search database for nutrition estimates match = estimator.natural_search("I ate an apple") # Embed words or phrases with food content (limited to our food-related vocabulary) # Here, embedding1 will be equal to embedding2 embedding1 = estimator.embed('apple') embedding2 = estimator.embed('I ate an apple') # See the relationship between embeddings embedding1 = estimator.embed('orange') embedding2 = estimator.embed('apple') relationship = estimator.cosine(embedding1, embedding2) # Use your own nutrition dataset my_estimator = Estimator(food_data_filepath = 'my_nutrition_data.csv') # Use your own embeddings my_estimator = Estimator(food_embeddings_filepath = 'my_embeddings.csv') ``` ## Connecting to mobile assistants, placing the API in an online server, and managing a database For testing purposes, we used Siri Shortcuts (iOS) and Google Assistant / IFTTT webhooks (Android) to send voice transcriptions to Google Firebase. Once received, the incoming data would trigger a Firebase Cloud Function. The Firebase Function relayed the voice transcription to our [Semantic Nutrition API](semantic.py)(hosted online with Flask and Google App Engine), which responded with estimates for nutrition data. The nutrition data was then logged in Google Firebase. While useful for testing and demonstrations, this method has been depecrated in favor of a native mobile application and private server / database. Please stay tuned for future developments, and feel free to use our API locally in the meantime! *updated on 7/27/2020*


نیازمندی

مقدار نام
- numpy
- pandas
- requests


زبان مورد نیاز

مقدار نام
>=3 Python


نحوه نصب


نصب پکیج whl food2vec-0.0.4:

    pip install food2vec-0.0.4.whl


نصب پکیج tar.gz food2vec-0.0.4:

    pip install food2vec-0.0.4.tar.gz