# Вступление
Что такое Py-AutoML?
Py-AutoML - это библиотека машинного обучения с открытым исходным кодом на Python с открытым исходным кодом, цель которой сократить время цикла гипотезы до понимания в эксперименте машинного обучения. В основном это помогает выполнять наши домашние проекты быстро и эффективно. По сравнению с другими библиотеками машинного обучения с открытым исходным кодом Py-AutoML представляет собой альтернативную библиотеку с низким кодом, которую можно использовать для выполнения сложных задач машинного обучения с помощью всего нескольких строк кода. Py-AutoML - это, по сути, оболочка Python для нескольких библиотек и фреймворков машинного обучения, таких как scikit-learn, tensorflow, keras и многих других.
Дизайн и простота Py-AutoML вдохновлены двумя принципами: KISS (делайте это простым и понятным) и DRY (не повторяйтесь). Мы, инженеры, должны найти эффективный способ уменьшить этот пробел и решить проблемы, связанные с данными, в бизнес-среде.
# Модули
Py-AutoML - это минималистичная библиотека, которая не упрощает задачи машинного обучения, а также упрощает нашу работу.
Py-AutoML состоит из множества функций. например:
- - - - - - - - -
- model.py - реализация популярных нейронных сетей, таких как googlenet, vgg16, simple cnn, basic cnn, lenet5, alexnet, lstm, mlp и т. д.
- checkpoint.py - состоит из функции обратного вызова, которая используется для хранения показателей.
- utils.py - состоит из некоторых функций, используемых для предварительной обработки тестовых изображений, разделения данных.
- preprocess.py - используется для предварительной обработки набора данных изображения, такой как изменение размера, изменение формы, преобразование в оттенки серого, нормализация и т. д.
- ml.py - позволяет нам внедрять и проверять метрики популярных классических моделей машинного обучения, таких как случайный лес, дерево решений, svm, логистическая регрессия, а также отображает отчеты с метриками для каждой модели.
visualize.py - позволяют визуализировать нейронные сети в наглядной и графической форме.
# ml.py → Реализованные алгоритмы
— — — — — —
- Логистическая регрессия
- Машина опорных векторов
- Классификатор дерева решений
- Классификатор случайного леса
- K-Ближайшие соседи
- - - - - - - - - - - - - -
model.py → Реализованы популярные архитектуры нейронных сетей
— — — — — —
- GoogleNet
- VGG16
- AlexNet
- Lenet5
- Начало
- простая и базовая cnn
- basic_mlp и deep_mlp
- lstm
с предустановленными конфигурациями
- - - - - - - - - - - - -
# Начало работы
— — — — — — — — -
### Установить пакет
pip install py-automl
Перейдите в папку и установите требования:
pip install -r requirements.txt
## Использование
Импорт пакета
Назначьте переменные X и Y нужным столбцам и назначьте размер переменной желаемому test_size.
Кодирование категориальных данных
Закодируйте целевую переменную, если она не является числовой:
from pyAutoML import * Y = EncodeCategorical(Y) ``` ## Running py-automl
Запуск функции Py-automl - ml
подпись выглядит следующим образом: ML (X, Y, size = 0,25, * args);
вывод:
вы также можете написать так
ML (X, Y)
Определение популярных нейронных сетей:
реализация alexNet может выглядеть так
Но мы реализуем это в одной строке кода, как показано ниже, с помощью этого пакета.
Для большего обобщения рассмотрим следующий код.
давайте определим каждую доступную архитектуру модели с помощью этого пакета
Визуализация
мы можем легко визуализировать архитектуру нейронных сетей в различных формах.
Давайте рассмотрим следующий код для лучшего понимания
По умолчанию он возвращает объект визуализации keras
output:
Теперь визуализируйте в графическом виде с помощью серверной части graphviz
вывод:
Эта библиотека настолько удобна для разработчиков, что даже мы объявляем тип с начальных букв.
from pyAutoML.model import * model2 = model(arch=”alexNet”)
nn_visualize (модель2, тип = "k")
вывод:
Это минимальная документация по пакету.
Для получения дополнительной информации и понимания см. Примеры
[ЗДЕСЬ]
и исходный код:
Автор: Prudhvi GNV
Контакт:
Надеюсь, мы все понимаем в этой истории ...
Вы можете связаться со мной через ……