Instructions to use NextGenC/MissionologyEvoNet-2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Keras
How to use NextGenC/MissionologyEvoNet-2 with Keras:
# Available backend options are: "jax", "torch", "tensorflow". import os os.environ["KERAS_BACKEND"] = "jax" import keras model = keras.saving.load_model("hf://NextGenC/MissionologyEvoNet-2") - Notebooks
- Google Colab
- Kaggle
Update README.md
Browse files
README.md
CHANGED
|
@@ -6,8 +6,8 @@ language:
|
|
| 6 |
---
|
| 7 |
|
| 8 |
|
| 9 |
-
NOT: BU PROJE VE ÇALIŞMA
|
| 10 |
-
NOT: BU KOD DENEYSELDİR TAM KAPSAMLI TESTLER YAPILMAMIŞTIR VE AYRICA ÖNCEKİ VERSİYONLARDAN ÇOK DAHA FAZLA İYİLEŞTİRME VE YENİLİK İÇERİR. AÇIKLAMA EN SON VERSİYON V5 GÖRE AYARLANMIŞTIR. V6 KAPALI KAYNAKTIR EN İYİ VERSİYONU HEDEFLER VE KARMAŞIK PROBLEMLERİ ÇÖZER.
|
| 11 |
|
| 12 |
Bu proje (EvoNet Optimizer v5), PyTorch kütüphanesini kullanarak yapay sinir ağlarının (YSA) hem mimarisini (yapısını) hem de ağırlıklarını (parametrelerini) optimize etmek için geliştirilmiş bir neuroevolution (sinirsel evrim) çatısıdır. Evrimsel algoritmaların global arama yeteneklerini, uyarlanabilir parametre kontrolü ve paralel hesaplama ile birleştirerek belirli bir görev için optimize edilmiş YSA modelleri bulmayı hedefler. Bu sürüm (v5), önceki versiyonlar üzerine inşa edilmiş olup adaptif mutasyon gücü, karmaşıklık cezası, isteğe bağlı Weights & Biases entegrasyonu ve genel performans iyileştirmeleri içerir.
|
| 13 |
|
|
|
|
| 6 |
---
|
| 7 |
|
| 8 |
|
| 9 |
+
# NOT: BU PROJE VE ÇALIŞMA 18 YAŞINDA YAZILIM GELİŞTİRİCİYE AİTTİR (BEN - ZAYN(takma ad))
|
| 10 |
+
# NOT: BU KOD DENEYSELDİR TAM KAPSAMLI TESTLER YAPILMAMIŞTIR VE AYRICA ÖNCEKİ VERSİYONLARDAN ÇOK DAHA FAZLA İYİLEŞTİRME VE YENİLİK İÇERİR. AÇIKLAMA EN SON VERSİYON V5 GÖRE AYARLANMIŞTIR. V6 KAPALI KAYNAKTIR EN İYİ VERSİYONU HEDEFLER VE KARMAŞIK PROBLEMLERİ ÇÖZER.
|
| 11 |
|
| 12 |
Bu proje (EvoNet Optimizer v5), PyTorch kütüphanesini kullanarak yapay sinir ağlarının (YSA) hem mimarisini (yapısını) hem de ağırlıklarını (parametrelerini) optimize etmek için geliştirilmiş bir neuroevolution (sinirsel evrim) çatısıdır. Evrimsel algoritmaların global arama yeteneklerini, uyarlanabilir parametre kontrolü ve paralel hesaplama ile birleştirerek belirli bir görev için optimize edilmiş YSA modelleri bulmayı hedefler. Bu sürüm (v5), önceki versiyonlar üzerine inşa edilmiş olup adaptif mutasyon gücü, karmaşıklık cezası, isteğe bağlı Weights & Biases entegrasyonu ve genel performans iyileştirmeleri içerir.
|
| 13 |
|