PAN Blend machine-learning packages

Keras er et Pythonbibliotek til maskinlæring baseret på dybe (flerlags) kunstige neurale netværk (DNN), som følger et minimalistisk og modulært design med fokus på hurtig eksperimentering.

Funktioner for DNN'er såsom neurale lag, omkostningsfunktioner, optimeringsprogrammer, opstartsskemaer, aktiveringsfunktioner og reguleringsskemaer er tilgængelige i Keras som uafhængige moduler, som kan samles efter behov til at oprette sekvensmodeller eller mere komplekse arkitekturer. Keras understøtter »convolutions neural networks« (CNN, brugt til billedgenkendelse respektiv klassifikation) og »recurrent neural networks« (RNN, egnet for sekvensanalyse som i naturlig sprogbehandling).

Biblioteket afvikles som et abstraktionslag oven på Theano (kompiler til matematikudtryk) som standard, hvilket gør det muligt at accelerere beregningerne ved at bruge (GP)GPU-enheder. Alternativt kan Keras afvikles på Googles TensorFlow (endnu ikke tilgængelig i Debian).

Denne pakke indeholder dokumentationen for Keras.

This package contains the header files and static library needed to compile in deep neural network module.

The Open Computer Vision Library is a collection of algorithms and sample code for various computer vision problems. The library is compatible with IPL (Intel's Image Processing Library) and, if available, can use IPP (Intel's Integrated Performance Primitives) for better performance.

OpenCV provides low level portable data types and operators, and a set of high level functionalities for video acquisition, image processing and analysis, structural analysis, motion analysis and object tracking, object recognition, camera calibration and 3D reconstruction.

This package contains the OpenCV (Open Computer Vision) deep neural network module.

The Open Computer Vision Library is a collection of algorithms and sample code for various computer vision problems. The library is compatible with IPL (Intel's Image Processing Library) and, if available, can use IPP (Intel's Integrated Performance Primitives) for better performance.

OpenCV provides low level portable data types and operators, and a set of high level functionalities for video acquisition, image processing and analysis, structural analysis, motion analysis and object tracking, object recognition, camera calibration and 3D reconstruction.

PyTorch er en Pythonpakke, der tilbyder to funktioner på højt niveau.

(1) Tensorberegning (som NumPy) med stærk GPU-acceleration (2) Dybe neurale netværk bygget på et båndbaseret autograd-system

Du kan genbruge dine favoritpakker fra Python såsom NumPy, SciPy og Cython for at udvide PyTorch efter behov.

Dette er versionen kun for cpu af PyTorch (binære testfiler).

Denne pakke tilbyder en nem og modulopbygget måde at bygge og træne simple eller komplekse neurale netværk via Torch Framework.

Denne pakke indeholder libTHNN.so, motorbibliotek for lua-torch-nn.

Anse TPOT som din datavidenskabsassistent. TPOT er et automatiseret maskinlæringsværktøj for Python, der optimerer maskinlæringsdatakanaler via genetisk programmering.

TPOT vil automatisere de mest kedelige dele af maskinlæring ved intelligent at afsløre tusindvis af mulige datakanaler for at finde de bedste for dine data.

Når TPOT er færdig med at søge (eller du bliver træt af at vente), så tilbydes du Pythonkode for den bedste datakanal den finder, så du kan forbedre datakanalen derfra.

TPOT er bygget oven på scikit-learn, så al koden den opretter bør se bekendt ud ... hvis du altså kender til scikit-learn.

Denne pakke indeholder dokumentationen, eksempler på skripter og øvelser for TPOT.

Brian er en ur-drevet simulator for spikingneurale netværk. Det er designet med vægt på fleksibilitet og udvidelse, for hurtig udvikling og raffinement af neurale modeller. Neuronmodeller er specificeret af sæt af brugerangivne differentialligninger, tærskelbetingelser og nulstillingsbetingelser (givet som strenge). Fokus er primært på netværk med »single compartment neuron«-modeller (f.eks. leaky integrate-and-fire- eller Hodgkin-Huxley-neuroner). Inkluderede funktioner:

• et system for angivelse af kvantiteter med fysiske dimensioner
• præcis numerisk integration for lineære differentialligninger
• Euler, Runge-Kutta og eksponentiel Eulerintegration for ikkelineære differentialligninger
• synaptiske forbindelser med forsinkelser
• korttids og langtids plasticitet (spike-timing-afhængig plasticitet)
• et bibliotek med modelkomponenter, inklusive integrate-and-fire ligninger, synapser og ionic-strømme
• en værktøjskasse for automatisk tilpasning af spiking neuron-modeller til elektrofysiologiske optagelser

EagerPy er en Pythonramme, hvor du kan skrive kode, der automatisk fungerer med PyTorch, TensorFlow, JAX og NumPy.

Keras er et Pythonbibliotek til maskinlæring baseret på dybe (flerlags) kunstige neurale netværk (DNN), som følger et minimalistisk og modulært design med fokus på hurtig eksperimentering.

Funktioner for DNN'er såsom neurale lag, omkostningsfunktioner, optimeringsprogrammer, opstartsskemaer, aktiveringsfunktioner og reguleringsskemaer er tilgængelige i Keras som uafhængige moduler, som kan samles efter behov til at oprette sekvensmodeller eller mere komplekse arkitekturer. Keras understøtter »convolutions neural networks« (CNN, brugt til billedgenkendelse respektiv klassifikation) og »recurrent neural networks« (RNN, egnet for sekvensanalyse som i naturlig sprogbehandling).

Biblioteket afvikles som et abstraktionslag oven på Theano (kompiler til matematikudtryk) som standard, hvilket gør det muligt at accelerere beregningerne ved at bruge (GP)GPU-enheder. Alternativt kan Keras afvikles på Googles TensorFlow (endnu ikke tilgængelig i Debian).

Keras er et Pythonbibliotek til maskinlæring baseret på dybe (flerlags) kunstige neurale netværk (DNN), som følger et minimalistisk og modulært design med fokus på hurtig eksperimentering.

Funktioner for DNN'er såsom neurale lag, omkostningsfunktioner, optimeringsprogrammer, opstartsskemaer, aktiveringsfunktioner og reguleringsskemaer er tilgængelige i Keras som uafhængige moduler, som kan samles efter behov til at oprette sekvensmodeller eller mere komplekse arkitekturer. Keras understøtter »convolutions neural networks« (CNN, brugt til billedgenkendelse respektiv klassifikation) og »recurrent neural networks« (RNN, egnet for sekvensanalyse som i naturlig sprogbehandling).

Biblioteket afvikles som et abstraktionslag oven på Theano (kompiler til matematikudtryk) som standard, hvilket gør det muligt at accelerere beregningerne ved at bruge (GP)GPU-enheder. Alternativt kan Keras afvikles på Googles TensorFlow (endnu ikke tilgængelig i Debian).

Keras Applications er et programmodul for Keras dybe læringsbibliotek. Det tilbyder modeldefinitioner og præøvede vægte for et antal populære arkitekturer, såsom VGG16, ResNet50, Xception, MobileNet med mere.

Keras er et Pythonbibliotek til maskinlæring baseret på dybe (flerlags) kunstige neurale netværk (DNN), som følger et minimalistisk og modulært design med fokus på hurtig eksperimentering.

Funktioner for DNN'er såsom neurale lag, omkostningsfunktioner, optimeringsprogrammer, opstartsskemaer, aktiveringsfunktioner og reguleringsskemaer er tilgængelige i Keras som uafhængige moduler, som kan samles efter behov til at oprette sekvensmodeller eller mere komplekse arkitekturer. Keras understøtter »convolutions neural networks« (CNN, brugt til billedgenkendelse respektiv klassifikation) og »recurrent neural networks« (RNN, egnet for sekvensanalyse som i naturlig sprogbehandling).

Biblioteket afvikles som et abstraktionslag oven på Theano (kompiler til matematikudtryk) som standard, hvilket gør det muligt at accelerere beregningerne ved at bruge (GP)GPU-enheder. Alternativt kan Keras afvikles på Googles TensorFlow (endnu ikke tilgængelig i Debian).

Keras Preprocessing er et modul for dataforbrænding og dataforstærkning for Keras dybe læringsbibliotek. Det tilbyder redskaber for arbejdet med billeddata, tekstdata og sekvensdata.

Lasagne is a Python library to build and train deep (multi-layered) artificial neural networks on the top of Theano (math expression compiler). In comparison to other abstraction layers for that like e.g. Keras, it abstracts Theano as little as possible.

Lasagne supports networks like Convolutional Neural Networks (CNN, mostly used for image recognition resp. classification) and the Long Short-Term Memory type (LSTM, a subtype of Recurrent Neural Networks, RNN).

This package contains the modules for Python 3.

Databehandlingsramme til Python for bygning af komplekse databehandlingsprogrammer ved at kombinere udbredte algoritmer for maskinlæring til datakanaler og netværk. Implementerede algoritmer inkluderer: Principal Component Analysis (PCA), Independent Component Analysis (ICA), Slow Feature Analysis (SFA), Independent Slow Feature Analysis (ISFA), Growing Neural Gas (GNG), Factor Analysis, Fisher Discriminant Analysis (FDA) og gaussiske klassifikationer.

Open Neural Network Exchange (ONNX) is the first step toward an open ecosystem that empowers AI developers to choose the right tools as their project evolves. ONNX provides an open source format for AI models. It defines an extensible computation graph model, as well as definitions of built-in operators and standard data types. Initially onnx focuses on the capabilities needed for inferencing (evaluation).

Caffe2, PyTorch, Microsoft Cognitive Toolkit, Apache MXNet and other tools are developing ONNX support. Enabling interoperability between different frameworks and streamlining the path from research to production will increase the speed of innovation in the AI community.

This package contains the python interface.

Dette bibliotek tilbyder værktøjer for klyngealgoritmer, oscillerende netværk og neurale netværk.

Denne pakke installerer biblioteket for Python 3.

Scikit-learn er en samling af Pythonmoduler, der er relevante for maskin/statistisk læring og dataundersøgelse. En ikke udtømmende liste over inkluderet funktionalitet:

• Gaussianske blandede modeller
• Manifold-læring
• kNN
• SVM (via LIBSVM)

Denne pakke indeholder Python 3-versionen.

The goal of skorch is to make it possible to use PyTorch with sklearn. This is achieved by providing a wrapper around PyTorch that has an sklearn interface. In that sense, skorch is the spiritual successor to nolearn, but instead of using Lasagne and Theano, it uses PyTorch.

skorch does not re-invent the wheel, instead getting as much out of your way as possible. If you are familiar with sklearn and PyTorch, you don’t have to learn any new concepts, and the syntax should be well known. (If you’re not familiar with those libraries, it is worth getting familiarized.)

Additionally, skorch abstracts away the training loop, making a lot of boilerplate code obsolete. A simple net.fit(X, y) is enough. Out of the box, skorch works with many types of data, be it PyTorch Tensors, NumPy arrays, Python dicts, and so on. However, if you have other data, extending skorch is easy to allow for that.

Overall, skorch aims at being as flexible as PyTorch while having a clean interface as sklearn.

PyTorch er en Pythonpakke, der tilbyder to funktioner på højt niveau.

(1) Tensorberegning (som NumPy) med stærk GPU-acceleration (2) Dybe neurale netværk bygget på et båndbaseret autograd-system

Du kan genbruge dine favoritpakker fra Python såsom NumPy, SciPy og Cython for at udvide PyTorch efter behov.

Dette er versionen kun for cpu af PyTorch (Pythongrænseflade).

Ignite is a high-level library to help with training and evaluating neural networks in PyTorch flexibly and transparently.

Features

• Less code than pure PyTorch while ensuring maximum control and simplicity
• Library approach and no program's control inversion
• Extensible API for metrics, experiment managers, and other components

Anse TPOT som din datavidenskabsassistent. TPOT er et automatiseret maskinlæringsværktøj for Python, der optimerer maskinlæringsdatakanaler via genetisk programmering.

TPOT vil automatisere de mest kedelige dele af maskinlæring ved intelligent at afsløre tusindvis af mulige datakanaler for at finde de bedste for dine data.

Når TPOT er færdig med at søge (eller du bliver træt af at vente), så tilbydes du Pythonkode for den bedste datakanal den finder, så du kan forbedre datakanalen derfra.

TPOT er bygget oven på scikit-learn, så al koden den opretter bør se bekendt ud ... hvis du altså kender til scikit-learn.

Denne pakke indeholder Python 3.x-versionen af TPOT.

PyTorch is a Python package that provides two high-level features:

(1) Tensor computation (like NumPy) with strong GPU acceleration (2) Deep neural networks built on a tape-based autograd system

You can reuse your favorite Python packages such as NumPy, SciPy and Cython to extend PyTorch when needed.

This is the CUDA version of PyTorch (Python interface).