时间序列数据的深度学习
mcfl的Python项目详细描述
mcfly的目标是简化深度学习技术在时间序列分类中的应用。深度学习的优点是它可以直接处理原始数据,而无需计算信号特征。深度学习不需要关于数据的专家领域知识,并且已被证明与传统的机器学习技术具有竞争力。例如,您可以对加速度计数据应用mcfly进行活动分类,如the tutorial所示。
安装
先决条件:
- python 2.7、3.5或3.6
- 点
在Sparate Conda环境中安装所有依赖项:
conda env create -f environment.yml # activate this new environmentsource activate mcfly
要安装软件包,请在项目目录下运行:
pip install .
在Windows上安装
在windows上安装时,需要考虑以下几点。安装keras和mcfly的首选方法(换句话说:最简单的方法)如下:
- 使用Anaconda
- 使用Python3.x,因为TensorFlow在用于Python2.7的Windows上不可用
- 通过conda软件包管理器(而不是pip)安装numpy和scipy
- 要安装mcfly,请在命令提示符下运行
pip install mcfly
。 - 加载和保存模型可能会给windows带来问题,请参见https://github.com/NLeSC/mcfly-tutorial/issues/17
可视化
我们构建了一个工具来可视化模型的配置和性能。可以在http://nlesc.github.io/mcfly/上找到该工具。要在自己的计算机上运行模型可视化,请cd到html
目录并启动python web服务器:
python -m http.server 8888 &
导航到浏览器中的http://localhost:8888/
以打开可视化效果。有关可视化的更详细描述,请参见user manual。
用户文档
贡献
欢迎您通过pull请求贡献代码。请查看NLeSC guide以获取有关软件开发的指南。
我们使用numpy样式的docstring来编写代码文档。
许可
mcfly的源代码和数据是根据apache许可证2.0版授权的。