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

1. 您需要的非常第一信息就在下一个部分。
2. 如果您想阅读代码并深入了解，安装也非常简单。
3. 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。
4. 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。