deepcalo 0.1.5

请注意，数据中包含的数据集的形状在模型创建中使用（但是一个数据点就足够了）。

图像：nDarrays的dict

• 如果'images'是数据[设置名称]中的一个键，并且数据[设置名称]['images']不是空的（其中设置名称可以是'train'，'val'或'test'），则将创建一个sed来处理这些图像。

为了使您能够跟踪不同类型的图像（用于不同类型的事物），与data的'images'键对应的值也是adict

假设你有两种不同类型的图片，你想由cnn处理。让我们称它们为"低分辨率图像"和"高分辨率图像"（即，这些是数据[集合名称][图像]字典中的键），每个都是4D numpy数组，形状为$（n，h，w，c）$，其中$h$和$w$对于这两种类型是不同的图像。然后，您可以使用upsampling功能（请参见params）将它们放大到公共分辨率，以便在CNN中一起处理。

如果要使用时间图像，这些名称应与它们对应的单元格的名称完全相同，并预先设置'time'；使用上面的示例，数据[设置名称]['images']字典将有四个键"低分辨率图像"，"低分辨率图像时间"，"高分辨率图像"和"高分辨率图像时间"。只有以这种方式命名图像时，才能创建和使用用于处理时间图像的子模型。

标量：ndarray

• 如果'scalars'是数据[集合名称]中的一个键，并且数据[集合名称]['scalars']不为空（其中集合名称可以是'train'，'val'或'test'），则a标量网络将创建并用于处理这些标量。

标量应该以$（n，s）$numpy数组的形式出现，其中$n$是集合中的数据点数量，其中$s$是标量的数量。

曲目：ndarray

• 如果'tracks'是数据[设置名称]中的一个键，并且数据[设置名称]['tracks']不为空（其中设置名称可以是'train'，'val'或'test'），则a轨迹网将是c已创建并用于处理这些曲目。

轨迹向量应以$（n，t，f）$形状的numpy数组的形式出现，其中$n$是数据点的数目，$t$是最大轨迹数目，其中$f$是每个轨迹向量的长度，即特征的数目。

由于每个数据点可以有一个与之相关联的可变数量的轨迹向量，因此数据点可以th$t<；t$轨迹向量应为零填充（有关如何进行零填充的示例，请参见deepcalo.utils.load_atlas_data）。由于其所有功能都在磁道网内部被屏蔽，因此所有具有唯一零的磁道都不会有助于磁道网的输出。

样本权重：ndarray

• 如果'sample\u weights'是数据[设置名称]中的一个键，并且数据[设置名称]['sample\u weights']是非空的（其中设置名称可以是'train'，'val'或'test'），则这些样本权重将用于所有损失中功能和指标（在培训和评估期间）。

目标：ndarray

• 包含任务的目标（或标签）。总是必需的。它的形状必须与所构造模型的最终输出相匹配。

有效数据示例

importnumpyasnpset_names=['train','val','test']# Could also just be ['train', 'val']# Number of datapoints for each setn_points={set_name:int(1e3)forset_nameinset_names}# Dimension of images, which we will call 'example_imgs'h,w,c=14,25,2# Number of scalarsn_scalars=7# Create the datadata={set_name:{'images':{'example_imgs':np.random.randn(n_points[set_name],h,w,c)},'scalars':np.random.randn(n_points[set_name],n_scalars),'tracks':{},# Is empty, so track_net won't be created and used'targets':np.random.randn(n_points[set_name])# Here, the target is a single number per datapoint}forset_nameinset_names}

< A/>

参数：指令

这个字典包含了构建、训练和评估模型时使用的所有超参数。默认参数可以从函数deepcalo.utils.get_default_params

当在下面引用字典键时，实际上是指 对应于该键的值。例如，尽管键'epochs' 当然是str，下面的文档关注的是 在本例中是一个int

时代：国际

• 要为其训练的里程数。如果设置为 真的，在完成所选的 时代：

批量大小：int

• 小批量。注意，如果使用多个GPU，那么 将平均分配给他们。

损失：str

• 任何Keras损失函数名。参见中的 model_building_functions.py用于实现的自定义丢失函数， 以及如何实现自己的目标。

指标：str或none列表

• 可以是keras识别的任何度量的名称。这个（或这些） 指标将在培训期间和期末考试中显示 评价。 请注意，如果执行HP_搜索，则列表的最后一项 将是高斯过程使用的评估函数 超参数搜索。如果列表为空或无，则丢失将是 高斯过程超参数搜索使用的评估函数。

优化器：str或config dict

• 使用哪个优化器。任何keras优化器，以及padam 可以使用来自Keras_Contrib的Yogi优化器。

  如果不想简单地使用 选择优化器，而是给出一个配置dict。参见 str或config dict

lr_finder：dict

• 学习率查找器词典（摘自史密斯，2015）参数。 "使用"键是决定是否使用 在custom_classes.py中实现的学习率查找器。 "扫描范围"是一个包含最小值和最大值的列表 要扫描的学习率。 'epochs'键是一个int设置扫描中要使用的epochs数目。 根据训练集的大小，通常1-4个阶段就足够了。 如果'提示输入'为真，则要求用户输入 周期性学习率表的范围（见下文） 应该在在完成学习率查找程序后 扫描。

LR U计划：DICT

• 学习速率表参数字典。 'name'键可以是none（当没有学习率计划时 将使用），'clr'（Smith，2015）， 'onecycle'（Smith等人，2017）或'sgdr'（Loshchilov and Hutter，2017）。 'range'键应该是一个包含两个浮点数的列表，第一个浮点数是最小学习速率，第二个浮点数是最大学习速率。 对于可能的学习速率计划，'步长因子'键的含义不同：如果$s$是'步长因子'值，$k$是每个历元的小批量更新数$e$，则for
• 'clr'，周期的步长（即每半个周期的小批量更新数）由$ks$，
• 'onecycle'，步长$k乘以e/s$，表示$s$是半个周期的数目，包括冷却到基本学习速率的百分之一。例如，如果$s=2.25$，则将使用小批量更新总数的最后$\frac{0.25}{2.25}$进行冷却，
• 'sgdr'，$s$只是一个周期中的初始阶段数。

请注意，'onecycle'中的循环动量==true只适用于具有动量属性（例如'sgd'）的优化器。

除上述内容外，还可以使用'kwargs'键传递特定于每个学习率计划类的关键字参数，该键应具有关键字参数字典作为其值。

自动导航：布尔

• 是否使用 model_building_functions.py自动设置良好学习的 基于所选优化器和批处理大小的速率，取 学习率与批的平方根有关 尺寸。比例常数从优化器到 优化器，可能从一个问题到另一个问题-使用学习 Rate Finder可找出适合您的问题的常数。

使用"提前停止"：bool

• 使用keras earlystup回调函数，其中min_delta=0.001和 patience=150（这些可以在model\u container.py中更改）。

恢复最佳权重：布尔值

• 在评估之前，恢复训练中找到的最佳重量。

预训练的U模型：dict

• 使用（部分）预训练模型的参数字典。 "使用"键是一个布尔值，决定是否加载 预先训练的重量。"权重路径"是权重的路径 预先训练好的网络。如果'params_path'为无，则 预训练网络的参数假定在父网络中 "权重路径"的文件夹。 'layers_to_load'是一个带有层的keras名称的列表（或 子模型），其权重应从预训练的 为手边的人做模特。这些名字必须与 在预先训练的模型和手头的模型中的结构。 'freeze_loaded_layers'可以是布尔值（如果为真，则为， 如果 false）或具有与 "层到层加载"（当第一个boo向前一步 "冻结加载的层"回答是否冻结第一层 由"layers"到"load"或"not"等给出。

n_gpu：int

• 训练中使用的GPU数。通常可以从可见的GPU推断。

数据发生器

• 与数据生成器相关的参数，当数据批量加载数据时，如果数据不适合内存，则此参数非常有用。其当前的实现与deepcalo.utils.load_atlas_data一起工作，可以在deepcalo.data_generator中看到。

  "使用"键是决定是否使用数据生成器的布尔键。 'n_workers'键是一个int键，用于设置准备批处理时使用的CPU工作线程数。 "最大队列大小"键是一个int设置一次可以准备多少批的上限。 'path'键是一个str键，它给出数据集的路径。 'n嫒points'键是一个带'train'和'val'键（或'train'、'val'和'test'）的dict，其对应值是一个int，给定每组数据点的数量。 'load_kwargs'键是一个包含要传递给数据生成器类的\u init的参数的dict。

使用采样：dict

• 用于在 网络。如果能够降低采样率 引入平移不变性）很重要，但输入 图像很小。 ""use"键是一个布尔值，决定是否进行上采样。" "所需大小"指所有图像应为的大小 在连接之前向上采样。"插值" 参数被传递到keras层upsample2d

  上采样后，对细胞图像张量进行归一化，以便 总的来说保持同样的能量，但是现在分散在 上采样像素。

< A/>

有关所有子模型的键：

初始化：str或config dict

• 初始化子模型的参数。可以是任何 由keras识别的初始值设定项。

  如果不想简单地使用 选择初始值设定项，而给出配置dict。请参阅说明 str或config dict的

规范化：str或config dict或none

• 标准化层。如果不是none，则选择的规范化层是 放置在子模型中的每个稠密或卷积层之后， 即，在激活功能之前。

  可以是'batch'、'layer'、'instance'或'group'中的任何一个。 注意最后三个是通过一个组实现的 规范化层（包含层和实例 标准化）。这意味着规范化的名称 当使用keras.utils.plot_model时，layer将是 当使用最后三个标准层中的任何一个时，对标准化层进行分组。

  如果不想简单地使用 选择规范化层，而给出一个配置dict。见 解释str或config dict

激活：str或config dict或none

• 中所有致密或卷积层的激活函数 子模型，除了最后一个，如果a最终激活 变量存在。

  可以是'relu'，'leakyrelu'，'prelu'，'elu'或 "旋转"。 有关示例，请参见model\u building\u functions.py中的获取激活 自定义激活函数的实现。

  放置在每个规范化层之后 在子模型中，或-如果规范化为无，则在 子模型中的每个稠密或卷积层。

  如果不想简单地使用 选择激活，而给出配置dict。参见 str或config dict

层寄存器：dict，无或str或config dict作为值

• 应用于所有密集或卷积的层正则化 子模型中的层。这个dict收集核正则化器s， 偏置正则化器s，活动正则化器s，核约束s 以及要应用的"偏移"约束。

  如果不想简单地使用 选择正则化，而给出一个配置dict。请参阅说明 str或config dict的

  允许的示例：

  {'kernel_regularizer':'l2','bias_regularizer':{'class_name':'l1','config':{'l':1e-5}},'activity_regularizer':None,'kernel_constraint':{'class_name':'max_norm','config':{'max_value':3}},'bias_constraint':'max_norm'}

  这些键中的任何一个都可以省略以调用 无。如果dict为空，则没有层正则化 应用<＜P>

退出：浮点或dict或无

• 在以下情况下，要传递给任何一个辍学层的参数 在 卷积层的情况（传递要解包到 drop block层-请参阅dropblock文档以了解要传递的内容。 dropout或dropblock层将在 每一个致密的或卷曲的层。 如果无，则不会添加dropout或dropblock层。

有关子模型的键top：

用于收集输入（例如从其他子模型）和给出 完整模型的输出。

参见"与所有子模型相关的键"了解键初始化， 激活，规范化，层注册和退出

单位：整数列表

• 列出顶部每个密集层中的隐藏单元数 作为元素。 这包括输出神经元，因此单元中的最后一个元素 应该是所需输出的数目。

最终激活：str

• 应用于最后一个致密层的激活函数。例如 二进制分类，使用'sigmoid'，使用'linear'或none （或'relu'强制非负性）用于回归。

有关子模型的键cnn：

处理图像的子模型。仅当img_names不是none时才使用。

参见"与所有子模型相关的键"了解键初始化， 激活，规范化，层注册和退出

CNN类型：str

• 将要构建的CNN类型。使用CNN画报 在这里，设置为"简单"。设置为'res'以使用剩余 区块，如他等人，2016年。 将cnn_type设置为其他字符串是实现 其他类型的cnn，然后集成到框架中。 例如，要使用keras_contrib的resnet18，请将其设置为'res18'-请参见get_cnn下的model_building_functions.py是 完成了

转换维度：int

• 2或3之一。是否使用二维或三维卷积。

块体深度：列表

• 列出每个块的卷积层数作为元素。 请参见此处的插图了解块的构成。

  注意iscnn_type是'res'，两个卷积层是 根据int使用，例如[1,2,2,2]的a块深度值 结果CNN有18个卷积层，CNN将 如果cnn类型是'simple'，则只有9个卷积层。

n初始过滤器：int

• 第一卷积层中应使用多少个滤波器。

初始内核大小：int或元组

• 第一卷积层的核大小。

  如果给定和int，并且conv dim是2，则内核大小为 （init_kernel_size，init_kernel_size）被使用。如果conv_dim 取而代之的是3，内核大小为（init_kernel_size，init_kernel_size，2） 使用。 如果给定元组，其长度必须等于conv dim

rest内核大小：整数或元组

• 除第一卷积层外所有卷积层的核大小。

  如果给定和int，并且conv dim是2，则内核大小为 （init_kernel_size，init_kernel_size）被使用。如果conv_dim 取而代之的是3，内核大小为（init_kernel_size，init_kernel_size，2） 使用。 如果给定元组，其长度必须等于conv dim

基数：int

• 如xie等人，2016，即当基数>；1时，将使用分组卷积（使用$1次$卷积没有瓶颈）而不是普通卷积。仅支持二维卷积。

使用挤压和激励

• 是否使用Hu等人2017年的中的挤压和激励块。对于'simple'cnn_type它将插入到激活函数之后（在规范化层之后）。对于'res'cnn_type它将在添加跳过连接之前插入。

挤压和激励比

• 挤压和激励模块中使用的比率（参见hu等人，2017），如果使用挤压和激励是真的。比率不应小于传入通道的数目，这意味着，如果使用挤压和激励为真，则应设置n_init_filters>；=比率。

globalavgpool：bool

• 是否在CNN结束时使用全球平均池。

下采样：str或none

• none（不使用下采样），'avgpool'（带有 池大小=2）、'maxpool'（池大小=2）或'spired' （当使用步长和核大小为2的跨步卷积时 以减少采样）。

  当一个维度大于另一个维度的1.5倍时 尺寸，那个（较大的）尺寸将被下采样 减少3倍，而不是2。这可以在中更改 在model\u building\u functions.py中获取下采样

用于"下采样"的最小大小：int

• 进行卷积的任何维度的最小值（所以 不包括样品和通道尺寸）必须是如果下采样 就要发生了。这是为了防止下采样太小 图像：

  例如，如果尝试对（none，7,6,4）图像进行2d下采样 当min_size_for_downsampling是6时，下采样 通过，结果将是（none，3,3,4）。如果，在 另一方面，用于下采样的最小尺寸是第三维度。 图像张量太小，没有下采样 发生。

有关子模型的键标量网络：

处理标量变量的子模型。仅当标量名称不是none时才使用。

参见"与所有子模型相关的键"了解键初始化， 激活，规范化，层注册和退出

单位：整数列表

• 列出每个密集层中隐藏单元的数量，如下所示 元素。如果为空，则输入将在不进行任何处理的情况下传递。

连接到：str列表

• 其他哪些子模型应将scalar_net的输出作为 （部分）他们的投入。可以包含'top'和/或 "胶片生成"。原则上也可以是空的，但是你应该 而是通过设置 标量名称到无

有关子模型的键film-gen：

用于调制cnn子模型的特征映射的子模型，称为 电影发生器有关概述，请参见此。仅当scalar_net或track_net的连接到列表包含film_gen（并且使用这些子模型）时才使用。

参见"与所有子模型相关的键"了解键初始化， 激活，规范化，层注册和退出

使用：bool

• 是否使用胶片生成器。

单位：整数列表

• 列出每个密集层中隐藏单元的数量，如下所示 元素。

有关子模型的键轨迹网：

用于处理轨迹的子模型。仅当使用轨迹为真时才使用。 使用深度集，请参见Zaheer等人，2017年

参见"与所有子模型相关的键"了解键初始化， 激活，规范化，层注册和退出

功率因数单位：整数列表

• 列出每个密度层中隐藏单元的数量 作为要素的网络（参见Zaheer等人，2017年）。 如果为空，输入将传递到rho网络。

rho单元：整数列表

• 列出rho每个密集层中隐藏单元的数量 作为要素的网络（参见Zaheer等人，2017年）。 如果为空，则输入将被传递而无需进一步处理。

连接到：str列表

• 其他哪些子模型应接收track\u net的输出 （部分）他们的投入。可以包含'top'和/或 "胶片生成"。原则上也可以是空的，但是你应该 而是通过设置use_tracks来关闭轨迹的使用false

有关子模型的键时间网络：

用于处理时间图像的子模型。仅当使用次数为真时才使用

参见"与所有子模型相关的键"了解键初始化， 激活，规范化，层注册和退出

单位：整数列表

• 列出每个密集层中隐藏单元的数量，如下所示 元素。如果为空，输入将传递到最终激活

使用资源：bool

• 是否在下面给出的致密层上使用剩余连接 单位

最终激活：str或config dict

• 应用于最后一个致密层或 输入本身，以防单位为空。

  所选激活函数的输出应在范围内 〔0；1〕。 自定义激活 `"pgauss_f"已实现在此处使用。"P"代表 "参数"，而"f"表示"翻转"。

最终激活初始化：列表

• 参数激活函数的初始权重列表 "pgauss"和"pgauss\u f"。它们包含一个参数，即高斯宽度，因此final_activation_init应该包含一个浮点数，例如final_activation_init可以是[0.5]`。

  如果不想简单地使用 选择激活，而给出配置dict。参见 str或config dict

str或config dict解释：

假设您想使用 初始化某些子模型的权重。如果你想使用 此类参数的默认值（mean=0.0，stddev=0.05，seed=none），您只需将str'randomNormal'作为 上述初始化键的值。 但是，如果要向类传递一些其他参数，则 可以给一个配置dict作为 初始化键。配置dict必须有两个键， "类名称"和"配置"。对应于 "类名称"键应为astr，例如"randomNormal"，而 对应于'config'键的值应该是包含 要传递给类的关键字参数（空的'config' dict将使用默认值）。

例如，您可以将以下值作为 初始化键： {'类名'：'randomnormal'，'config'：{'stddev'：1.0}}

有关其他示例，请参见上面layer_reg的文档。

对于配置dict的更技术的定义：它是 从keras.utils.serialize\u keras\u object（keras\u object）返回 其中keras_object是要创建的类实例。

在大多数情况下，别名的设置使得 相同的类是有效的，例如，如果要使用批处理规范化 在某些子模型中，可以传递任何'batch'， 'batchnormalization'，'batch\u norm'等，作为'class\u name'

< A/>

指令：指令

要放入日志的目录字典。应包含键'log'（放置所有其他目录的目录）、'fig'（用于保存图形）、'saved_models'（用于保存模型和/或在训练期间模型的重量g）和'lr_finder'（用于存储学习速率查找程序的结果，如果使用的话）。

函数deepcalo.utils.create_directories将返回这样一个字典（并创建它包含的目录）。

保存图：bool

是否保存模型及其子模型的绘图。

详细：bool

详细输出。设置为2可禁用每个历元的进度条。

方法

获取模型

创建由params定义的模型，并将其作为唯一输入。

列车

训练由get_model构造的模型

评估

评估由get_model构建的模型，通常在培训结束时使用验证或测试集。

< A/>

已知问题

• 使用多GPU模型生成的模型权重不能使用单个GPU加载，请参见https://github.com/keras-team/keras/issues/9562" rel="nofollow">https://github.com/keras-team/keras/issues/9562

< A/>

待办事项

• 为dropblock实现线性调度，如https://github.com/miguelvr/dropblock/blob/master/dropblock/scheduler.py" rel="nofollow">https://github.com/miguelvr/dropblock/blob/master/dropblock/scheduler.py

标签：

• 数据
• 模型
• 图像
• 网络
• 名称
• 参数
• 卷积
• keras
• atlas

欢迎加入QQ群-->： 979659372

推荐PyPI第三方库

• invokable-p

  inokablepy允许您向应用程序添加可调用的web服务。

• sharps

  另一个Python注入依赖包。

• odoo11-addon-purchase-representative

  采购代表将是RFQ和PO的联系人

• silabel

  Silabel是一个python包，用于对印尼语单词进行音节化

• jadukor

  宇宙中最强大的模块

• zkit

  Python样板包含创建Python包所需的所有样板。

• better-logging

  Logback Postgres DBAppender的简单用户界面

• jsa-auth-middleware

  JetStream身份验证中间件

• pyglet-ffmpeg-two

  平台轮子与ffmpeg二进制文件和ctypes for pyglet

• rpc.p

  一个基于ASGI/WSGI的快速而强大的RPC框架。

• R3C

  R3C：机密数据和事物的区块链。

• todo-tasks

  未提供项目说明

• omicronscala

  从Omicron读取和解析.par文件的python包。

• pandas-log

  pandaslog提供关于基本操作的反馈。它为最常见的函数提供了简单的包装函数，如apply、map、query等。

• verse16

  nlp rap文本生成