基于能量的机器学习器
项目描述
Learnergy:基于能量的机器学习器
欢迎来到Learnergy。
您是否在计算实验中遇到瓶颈?您是否厌倦了自己实现技术?如果是的话,Learnergy就是您的最佳选择!这个包提供了一种易于使用的基于能量的机器学习算法的实现。从数据集到可完全定制的模型,从内部函数到外部通信,我们将促进所有与基于能量的机器学习相关的研究。
如果需要库或希望
- 创建您的基于能量的机器学习算法;
- 设计或使用预加载的学习者;
- 混合不同策略来解决您的问题;
- 因为学习事物是令人难以置信的。
请参阅learnergy.readthedocs.io上的文档。
Learnergy与以下兼容: Python 3.6+。
包指南
- 您需要的非常第一信息就在下一个部分。
- 如果您想阅读代码并深入了解,安装也非常简单。
- 请注意,为了使用我们的解决方案,可能需要一些额外的步骤。
- 如果有问题,请不要犹豫,联系我们。
引用
如果您使用Learnergy来满足您的任何需求,请引用我们
@misc{roder2020learnergy,
title={Learnergy: Energy-based Machine Learners},
author={Mateus Roder and Gustavo Henrique de Rosa and João Paulo Papa},
year={2020},
eprint={2003.07443},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
入门:60秒学会使用Learnergy
首先。我们有示例。是的,它们有注释。只需浏览到 examples/
,选择您的子包,并按照示例进行操作。对于我们能想到的大部分任务,我们都有高级示例。
或者,如果您想了解更多,请花一分钟时间
Learnergy 的结构如下,您应该注意其树状结构
- learnergy
- core
- dataset
- model
- math
- metrics
- scale
- models
- bernoulli
- conv_rbm
- discriminative_rbm
- dropout_rbm
- e_dropout_rbm
- rbm
- deep
- conv_dbn
- dbn
- residual_dbn
- extra
- sigmoid_rbm
- gaussian
- gaussian_conv_rbm
- gaussian_rbm
- utils
- constants
- exception
- logging
- visual
- convergence
- image
- tensor
核心
核心是核心。本质上,它是所有事物的父类。您应该找到定义我们结构基础的父类。它们应该提供变量和方法,以帮助构建其他模块。
数学
因为我们正在计算东西,这并不意味着我们不需要数学。数学是数学包,包含低级数学实现。从随机数到分布生成,您可以在本模块中找到您的需求。
模型
这是核心。所有模型都在这里声明和实现。我们将提供我们所使用的最出色的实现。请仔细查看此包。
实用工具
这是一个实用工具包。应在其中实现跨应用共享的常用事物。最好是实现一次,然后按需使用,而不是反复实现相同的事情。
视觉
每个人都需要图像和图表来帮助可视化正在发生的事情,对吧?此包将为您提供所有与视觉相关的函数。检查特定的图像、您的适应度函数收敛、重构图、权重等。
安装
我们认为一切都应该很简单。不是复杂的或令人生畏的,Learnergy 将是您需要的包,从第一次安装到日常任务的实现需求。
pip install learnergy
或者,如果您想安装最新的版本,请克隆此存储库并使用
pip install -e .
环境配置
请注意,有时需要额外的实现。如果需要,从这里开始,您将了解所有细节。
Ubuntu
不需要特定的额外命令。
Windows
不需要特定的额外命令。
MacOS
不需要特定的额外命令。
支持
我们知道我们尽了最大努力,但承认我们犯错误是不可避免的。如果您需要报告错误、报告问题或与我们交谈,请这样做!我们将在存储库或 mateus.roder@unesp.br 和 gustavo.rosa@unesp.br 上竭尽所能地提供帮助。
项目详情
下载文件
下载您平台上的文件。如果您不确定选择哪个,请了解有关 安装包 的更多信息。