classification:催化剂分类

时间:2024-06-06 17:28:22
【文件属性】:

文件名称:classification:催化剂分类

文件大小:133KB

文件格式:ZIP

更新时间:2024-06-06 17:28:22

python docker machine-learning deep-learning pipeline

加速DL和RL! 用于深度学习研究和开发的PyTorch框架。 它的开发侧重于可重复性,快速实验和代码/想法重用。 能够研究/开发新事物,而不是编写另一个常规火车循环。 打破循环-使用催化剂! 项目。 。 : -实验记录和可视化 -加速深度学习研究与发展 -方便的深度学习模型服务 AI Landscape的催化剂。 催化剂分类 注意:此仓库使用高级Catalyst Config API,现在可能有点过时了。 请使用Catalyst的最少示例部分作为起点和最新用例。 您将学习如何使用Catalyst框架通过转移学习来构建图像分类管道,从而获得可重现的结果。 目标 安装要求 准备数据 运行:原始数据→生产就绪模型 取得结果 定制自己的管道 1.安装要求 使用本地环境: pip install -r requirements/requirements.txt 使用泊坞窗:


【文件预览】:
classification-master
----.gitignore(1KB)
----setup.cfg(413B)
----requirements()
--------requirements-dev.txt(19B)
--------requirements.txt(41B)
--------requirements-docker.txt(44B)
----README.md(12KB)
----bin()
--------_data_preparation.sh(3KB)
--------tests()
--------catalyst-classification-pipeline.sh(4KB)
--------catalyst-autolabel-pipeline.sh(5KB)
----.github()
--------workflows()
--------FUNDING.yml(684B)
----configs()
--------_common.yml(1KB)
--------test_configs()
--------templates()
----LICENSE(11KB)
----pics()
--------tf_metrics.png(68KB)
--------wandb_metrics.png(24KB)
--------cm.png(20KB)
----docker()
--------Dockerfile(295B)
----src()
--------criterion.py(173B)
--------model.py(2KB)
--------__init__.py(273B)
--------experiment.py(3KB)
----teamcity()
--------autolabel.sh(258B)
--------tests.sh(286B)
--------classification.sh(263B)
--------examples.sh(158B)
----scripts()
--------prepare_config.py(2KB)
--------predictions2labels.py(2KB)
----Makefile(224B)
----.dependabot()
--------config.yml(362B)

网友评论