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
^{1}$
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：
欢迎加入QQ群-->： 979659372
