mlens:ML-Ensemble –高性能整体学习-源码

上传者: 42168830 | 上传时间: 2021-05-06 16:29:13 | 文件大小: 5.32MB | 文件类型: ZIP
一个用于高性能整体学习的Python库 ML-Ensemble将Scikit学习高级API与低级计算图形框架结合在一起,以尽可能少的代码行来构建内存有效的,最大程度并行化的集成网络。 只要基础学习者可以使用,ML-Ensemble就是线程安全的,并且可以依赖于内存映射的多处理来实现基于内存中立的基于进程的并发。 有关教程和完整文档,请访问项目。 集成为计算图 集成体建立在计算图的顶部,使用户拥有极大的设计自由度。 可以使用递归,动态评估(例如if-else )等构建集成。 高级API将常见的集成体系结构包装到Scikit学习估计器中。 集合中图层的示例计算图 记忆有效的并行学习 ML-Ensemble已针对速度和最小的内存消耗进行了优化。 不管使用多线程还是多处理,都不会发生数据序列化。 此外,多线程是无酸洗的。 便于使用 现成的合奏是通过向实例添加图层来构建的。 无论合奏多么复杂,对其进行训练都可以调用fit方法: ensemble = Subsemble () # First layer ensemble . add ( list_of_estimators ) # Seco

文件下载

资源详情

[{"title":"( 174 个子文件 5.32MB ) mlens:ML-Ensemble –高性能整体学习-源码","children":[{"title":"MANIFEST.in <span style='color:#111;'> 63B </span>","children":null,"spread":false},{"title":".travis.yml <span style='color:#111;'> 481B </span>","children":null,"spread":false},{"title":".coveragerc <span style='color:#111;'> 269B </span>","children":null,"spread":false},{"title":"estimators.rst <span style='color:#111;'> 647B </span>","children":null,"spread":false},{"title":"config.rst <span style='color:#111;'> 1.21KB </span>","children":null,"spread":false},{"title":"......","children":null,"spread":false},{"title":"<span style='color:steelblue;'>文件过多,未全部展示</span>","children":null,"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明