你的Pythorch模型的强大的监视器训练器。
pytorch-might的Python项目详细描述
强大的Pythorch
你的Pythorch模型的强大的监视器训练器。由Visdom驱动。在
文档:https://pytorch-mighty.readthedocs.io/en/latest/
安装
需要Python 3.6+
- 安装PyTorch:
- CPU后端:
conda install pytorch torchvision cpuonly -c pytorch
- GPU后端:
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
- CPU后端:
$ pip install pytorch-mighty
快速启动
在运行任何脚本之前,请启动Visdom服务器:
$ python -m visdom.server -port 8097
然后运行python examples.py
或使用以下代码:
最后,导航到http://localhost:8097查看培训进度。在
在包
中实现或重用的文章- 在
Fong,R.C.和Vedaldi,A.(2017年)。用有意义的扰动解释黑匣子。在
在 - 在
Belghazi,M.I.,Baratin,A.,Rajeswar,S.,Ozair,S.,Y.,Bengio,A.,Courville,A.和R.Hjelm,R.D.(2018年)。我的:互信息神经估计。在
在 - 在
Kraskov,A.,Stögbauer,H.和Grassberger,p.(2004年)。估计相互信息。在
在 - 在
Ince,R.A.,Giordano,B.L.,Kayser,C.,Rousselet,G.A.,Gross,J.,&Schyns,p.G.(2017年)。基于高斯copula估计互信息的神经影像数据分析的统计框架。人脑绘图,38(3),1541-1573。在
在 - 在
估计相互信息的IDTxl包。在
- 用于^{
}
- 用于^{
使用pytorch mighty
的项目- MCMC_BinaryNet-Markov链蒙特卡罗二元网络优化。在
- EmbedderSDR-将图像编码成二进制稀疏分布表示(SDR)。在
- sparse-representation-用于P0-和P1问题的基追踪解算器,它将数据编码成高维稀疏向量。在
- entropy-estimators-多元随机变量之间的估计熵和互信息。在
查看更多关于http://85.217.171.57:8097的示例。给您的浏览器几分钟时间来解析json数据。在
- 项目
标签: