code stringlengths 17 6.64M |
|---|
def dtype_bb_to_numpy(dtype):
if (dtype == core.TYPE_FP32):
return np.float32
elif (dtype == core.TYPE_FP64):
return np.float64
elif (dtype == core.TYPE_INT8):
return np.int8
elif (dtype == core.TYPE_INT16):
return np.int16
elif (dtype == core.TYPE_INT32):
r... |
def dtype_to_name(dtype):
if (dtype == core.TYPE_BIT):
return 'bit'
elif (dtype == core.TYPE_FP32):
return 'fp32'
elif (dtype == core.TYPE_FP64):
return 'fp64'
elif (dtype == core.TYPE_INT8):
return 'int8'
elif (dtype == core.TYPE_INT16):
return 'int16'
... |
def dtype_from_name(name):
if (name == 'bit'):
return core.TYPE_BIT
elif (name == 'fp32'):
return core.TYPE_FP32
elif (name == 'fp64'):
return core.TYPE_FP64
elif (name == 'int8'):
return core.TYPE_INT8
elif (name == 'int16'):
return core.TYPE_INT16
elif... |
class FrameBuffer(bb.Object):
'FrameBuffer class\n \n BinaryBrainでの学習データを格納する特別な型である\n バッチと対応する 1次元のframe項と、各レイヤーの入出力ノードに対応する\n 多次元のnode項を有している\n numpy の ndarray に変換する際は axis=0 が frame 項となり、以降が\n node項となる\n\n Tensor と異なり、frame 項に対して reshape を行うことはできず、\n node ... |
def framebuffer_creator(data, name, dtypes):
if (name == 'FrameBuffer'):
return FrameBuffer.from_bytes(data)
return (data, None)
|
def make_lut_func_name(name, node):
return ('%s_lut_%d' % (name, node))
|
def dump_hls_lut_node(f, name, lut, node):
f.write(('\ninline ap_uint<1> %s(\n' % make_lut_func_name(name, node)))
n = lut.get_node_connection_size(node)
s = lut.get_lut_table_size(node)
for i in range(n):
f.write((' ap_uint<1> in_data%d' % i))
if (i < (n - 1)):
f.wr... |
def dump_hls_lut_layer(f, name, lut):
' dump HLS source of LUT layer\n \n Args:\n f (StreamIO) : 出力先ストリーム\n name (str): 関数名\n lut (Model): 変換するネット\n '
ins = lut.get_input_node_size()
outs = lut.get_output_node_size()
for node in range(outs):
dump_h... |
def make_hls_lut_layer(name, lut):
' make HLS source of LUT layer\n \n Args:\n name (str): 関数名\n lut (Model): 変換するネット\n \n Returns:\n HLS source code (str)\n '
with io.StringIO() as f:
dump_hls_lut_layer(f, name, lut)
return f.get... |
class LossFunction(bb.Object):
'LossFunction class\n 損失関数の基底クラス\n '
def __init__(self, core_loss=None):
super(LossFunction, self).__init__(core_object=core_loss)
def clear(self):
'値のクリア\n\n 集計をクリアする。通常 epoch の単位でクリアして再集計を行う\n '
self.get_core().clear()
... |
class LossMeanSquaredError(LossFunction):
'LossMeanSquaredError class\n\n 平均二乗誤差(MSE)を計算して誤差として戻す\n '
def __init__(self, reduction='mean', dtype=bb.DType.FP32):
core_loss = bb.search_core_object('LossMeanSquaredError', [dtype]).create(reduction=reduction)
super(LossMeanSquaredError,... |
class LossCrossEntropy(LossFunction):
'LossCrossEntropy class\n\n 交差エントロピー誤差を戻す\n '
def __init__(self, dtype=bb.DType.FP32):
core_loss = bb.search_core_object('LossCrossEntropy', [dtype]).create()
super(LossCrossEntropy, self).__init__(core_loss=core_loss)
|
class LossBinaryCrossEntropy(LossFunction):
'LossBinaryCrossEntropy class\n \n 2値の交差エントロピー誤差を戻す\n '
def __init__(self, dtype=bb.DType.FP32):
core_loss = bb.search_core_object('LossBinaryCrossEntropy', [dtype]).create()
super(LossBinaryCrossEntropy, self).__init__(core_loss=core... |
class LossSoftmaxCrossEntropy(LossFunction):
'LossSoftmaxCrossEntropy class\n\n Softmax(活性化) と CrossEntropy(損失関数) の複合\n 両者を統合すると計算が簡略化される。\n \n 利用に際しては最終段に Softmax が挿入されたのと等価になるので注意すること。\n '
def __init__(self, dtype=bb.DType.FP32):
core_loss = bb.search_core_object('LossSof... |
class LossSigmoidCrossEntropy(LossFunction):
'LossSigmoidCrossEntropy class\n\n Sigmoid(活性化) と BinaryCrossEntropy(損失関数) の複合\n 両者を統合すると計算が簡略化される。\n \n 利用に際しては最終段に Sigmoid が挿入されたのと等価になるので注意すること。\n '
def __init__(self, dtype=bb.DType.FP32):
core_loss = bb.search_core_object('L... |
class Metrics(bb.Object):
'Metrics class\n 評価関数の基底クラス\n '
def __init__(self, core_metrics=None):
super(Metrics, self).__init__(core_object=core_metrics)
def clear(self):
'値のクリア\n\n 集計をクリアする。通常 epoch の単位でクリアして再集計を行う\n '
self.get_core().clear()
def g... |
class MetricsMeanSquaredError(Metrics):
'MetricsMeanSquaredError class\n\n 平均二乗誤差の評価関数\n 教師信号との平均二乗誤差を計算する\n '
def __init__(self, dtype=bb.DType.FP32):
core_metrics = bb.search_core_object('MetricsMeanSquaredError', [dtype]).create()
super(MetricsMeanSquaredError, self).__init_... |
class MetricsCategoricalAccuracy(Metrics):
'MetricsCategoricalAccuracy class\n\n 多クラス分類用の評価関数\n 一致率を accuracy として計算する\n '
def __init__(self, dtype=bb.DType.FP32):
core_metrics = bb.search_core_object('MetricsCategoricalAccuracy', [dtype]).create()
super(MetricsCategoricalAccura... |
class MetricsBinaryCategoricalAccuracy(Metrics):
'MetricsBinaryCategoricalAccuracy class\n\n 2クラス分類用の評価関数\n 一致率を accuracy として計算する\n '
def __init__(self, dtype=bb.DType.FP32):
core_metrics = bb.search_core_object('MetricsBinaryCategoricalAccuracy', [dtype]).create()
super(Metric... |
def search_core_model(model_name, dtypes=None):
if (dtypes is None):
dtypes = []
return bb.search_core_object(model_name, dtypes)
|
def model_creator_regist(model_name, creator):
_model_creator_list[model_name] = creator
|
def model_creator(data, name, dtypes):
if (name in _model_creator_list):
return _model_creator_list[name](data)
return (data, None)
|
class Model(bb.Object):
'Model class\n ネットワーク各層の演算モデルの基底クラス\n すべてのモデルはこのクラスを基本クラスに持つ\n\n BinaryBrain では、モデルを実際にインスタンスとして生成して組み合わせることで\n 学習ネットワークを構成する。特にネットワーク内のインスタンス化された\n モデルをレイヤーという呼び方をする場合がある。\n '
def __init__(self, *, core_model=None, input_shape=None, name=None):
... |
class Sequential(Model):
'Sequential class\n 複数レイヤーを直列に接続してグルーピングするクラス\n\n リストの順番で set_input_shape, forward, backward などを実行する\n また send_command の子レイヤーへのブロードキャストや、\n get_parameters, get_gradients の統合を行うことで複数のレイヤーを\n １つのレイヤーとして操作できる\n\n Args:\n model_list (List[Model]): モデルのリ... |
class Switcher(Model):
"モデル切り替え用基底クラス\n \n 主に蒸留や転移学習などでレイヤー差し替えに用いる\n send_command から 'switch_model [name]' でも切り替え可能\n\n Args:\n model_dict (Dict{str: Model}): 切り替えるモデルの辞書\n init_model_name (str): 初期選択するモデルの名前\n "
def __init__(self, model_dict=None, init_model_name=None, *, i... |
class RealToBinary(Model):
'RealToBinary class\n 実数値をバイナリ値に変換する。\n バイナリ変調機能も有しており、フレーム方向に変調した場合フレーム数(=ミニバッチサイズ)が\n 増える。\n またここでビットパッキングが可能であり、32フレームのbitをint32に詰め込みメモリ節約可能である\n\n Args:\n frame_modulation_size (int): フレーム方向への変調数(フレーム数が増える)\n depth_modulation_size (int): ... |
class BinaryToReal(Model):
'BinaryToReal class\n バイナリ値を実数値に戻す。その際にフレーム方向に変調されたデータを積算して\n 元に戻すことが可能である\n\n Args:\n frame_integration_size (int): フレーム方向の積算サイズ数(フレーム変調の統合)\n depth_integration_size (int): チャンネル方向の積算サイズ(0の時はoutput_shape優先)\n output_shape (List[int]): 出力のシェイプ(指定が無け... |
class BitEncode(Model):
'BitEncode class\n 実数値をバイナリ表現としてdepth方向に展開する\n\n Args:\n bit_size (int): エンコードするbit数\n '
def __init__(self, bit_size=1, *, output_shape=None, input_shape=None, name=None, bin_dtype=bb.DType.FP32, real_dtype=bb.DType.FP32, core_model=None):
if (output_shape ... |
class InsertBitError(Model):
'InsertBitError class\n ビットエラーを挿入する\n\n Args:\n error_rate (float): エラー率\n '
def __init__(self, error_rate, *, input_shape=None, name=None, bin_dtype=bb.DType.FP32, real_dtype=bb.DType.FP32, core_model=None):
if (core_model is None):
core_c... |
class Reduce(Model):
'Reduce class\n 多重化されている出力を折り返して積和する\n\n Args:\n output_shape ([int]): 出力のシェイプ\n integration_size (int): 積算するサイズ\n '
def __init__(self, output_shape=None, integration_size=0, *, input_shape=None, name=None, bin_dtype=bb.DType.FP32, real_dtype=bb.DType.FP32, cor... |
class DenseAffine(Model):
'DenseAffine class\n 普通のDenseAffine\n\n Args:\n output_shape (List[int]): 出力のシェイプ\n initialize_std (float) : 重み初期化乱数の標準偏差\n initializer (str): 変数の初期化アルゴリズム選択(default/normal/uniform/He/Xavier)。\n seed (int): 変数初期値などの乱数シード\n '
def __init__(self,... |
class DenseAffineQuantize(Model):
'DenseAffineQuantize class\n DenseAffine に量子化のサポートを付けたもの\n\n Args:\n output_shape (List[int]): 出力のシェイプ\n initialize_std (float) : 重み初期化乱数の標準偏差\n initializer (str): 変数の初期化アルゴリズム選択(default/normal/uniform/He/Xavier)。\n quantize (bool): 量子化の有効状態の初... |
class DepthwiseDenseAffine(Model):
'DepthwiseDenseAffine class\n 普通のDepthwiseDenseAffine\n \n Args:\n output_shape (List[int]): 出力のシェイプ\n input_point_size (int): 入力のpoint数\n depth_size (int): depthサイズ\n initialize_std (float) : 重み初期化乱数の標準偏差\n initializer (str): 変数の初期... |
class DepthwiseDenseAffineQuantize(Model):
'DepthwiseDenseAffineQuantize class\n DepthwiseDenseAffine に量子化のサポートを付けたもの\n\n Args:\n output_shape (List[int]): 出力のシェイプ\n input_point_size (int): 入力のpoint数\n depth_size (int): depthサイズ\n weight_bits(int): 重みの量子化bit数 (0で量子化しない)\n ... |
class BinaryDenseAffine(Model):
'Binary DenseAffine class\n バイナリ出力なDenseAffine\n\n Args:\n output_shape (List[int]): 出力のシェイプ\n initialize_std (float) : 重み初期化乱数の標準偏差\n initializer (str): 変数の初期化アルゴリズム選択(default/normal/uniform/He/Xavier)。\n momentum (float): 学習モーメント\n gamm... |
class SparseModel(Model):
'疎結合の基底モデル\n '
def get_node_connection_size(self, output_node):
return self.get_core().get_node_connection_size(output_node)
def set_node_connection_index(self, output_node, connection, input_node):
self.get_core().set_node_connection_index(output_node, conne... |
class DifferentiableLut(SparseModel):
"DifferentiableLut class\n 微分可能LUTモデル\n\n 内部計算的には StocasticLUT + BatchNormalization + Binarize(HardTanh) で構成される\n\n FPGA合成するためのルックアップテーブル型のモデルを学習することができる\n 純粋な Stochastic 演算のみを行いたい場合は binarize と batch_norm の両方を False にすればよい。\n \n Args:\n ... |
class AverageLut(SparseModel):
"AverageLut class\n 入力値の平均を出力するLUT型のモデル\n バイナリの場合、bitをカウントして1の方が多ければ1を出力するテーブル固定のLUTと考える事ができる\n\n Args:\n output_shape ([int]): 出力のシェイプ\n connection(str): 結線ルールを 'random', 'serial', 'depthwise' から指定可能\n binarize (bool): 二値化出力を有効にするか\n bin... |
class MaxLut(SparseModel):
"MaxLut class\n 入力値の最大値を出力するLUT型のモデル\n バイナリの場合、論理和をの形となるモデル\n\n Args:\n output_shape ([int]): 出力のシェイプ\n connection(str): 結線ルールを 'random', 'serial', 'depthwise' から指定可能\n binarize (bool): 二値化出力を有効にするか\n binarize_input (bool): 入力を二値化してから使うようにするか... |
class BinaryLut(SparseModel):
"バイナリLUTモデル\n\n 一般的なFPGAのLUTと同等の機能をするモデル。\n 学習能力はなく、他のモデルで学習した結果をインポートしてモデル評価を行うためのもの\n \n Args:\n output_shape (List[int]): 出力のシェイプ\n connection(str): 結線ルールを 'random', 'serial', 'depthwise' から指定可能(未実装)\n N (int): LUTの入力数\n seed (int)... |
class ConvolutionIm2Col(Model):
'ConvolutionIm2Col class\n 畳み込みの lowering における im2col 層\n '
def __init__(self, filter_size=(1, 1), stride=(1, 1), *, padding='valid', border_mode='reflect_101', border_value=0.0, input_shape=None, name=None, fw_dtype=bb.DType.FP32, bw_dtype=bb.DType.FP32, core_model=N... |
class ConvolutionCol2Im(Model):
'ConvolutionCol2Im class\n 畳み込みの lowering における col2im 層\n '
def __init__(self, output_size=(1, 1), *, input_shape=None, name=None, fw_dtype=bb.DType.FP32, bw_dtype=bb.DType.FP32, core_model=None):
if (core_model is None):
core_creator = search_core... |
class Convolution2d(Sequential):
"Convolution class\n Lowering による畳み込み演算をパッキングするクラス\n\n sub_layer で指定した演算レイヤーを畳み込み計算するためのモデル\n 例えば sub_layer に DenseAffineレイヤーを指定すると一般的なCNN用の畳み込み層となるが、\n BinaryBrain ではここに DifferentiableLut モデルを組み合わせて作った複合レイヤーを\n 指定することでFPGA化に適した畳み込み層を学習させることができる。... |
class MaxPooling(Model):
'MaxPooling class\n\n Args:\n filter_size ((int, int)): 2次元のタプルでフィルタサイズを指定する\n fw_dtype (DType)): forwarする型を bb.DType.FP32 と bb.DType.BIT から指定\n '
def __init__(self, filter_size=(2, 2), *, input_shape=None, name=None, fw_dtype=bb.DType.FP32, bw_dtype=bb.DType.FP32... |
class StochasticMaxPooling(Model):
'StochasticMaxPooling class\n\n Stochastic 演算として OR 演算で Pooling 層を構成するモデル\n\n Args:\n filter_size ((int, int)): 2次元のタプルでフィルタサイズを指定する(現在2x2のみ)\n fw_dtype (DType)): forwarする型を bb.DType.FP32 と bb.DType.BIT から指定\n '
def __init__(self, filter_size=(2, ... |
class UpSampling(Model):
'UpSampling class\n\n 畳み込みの逆方向にアップサンプリングを行うモデル\n\n Args:\n filter_size ((int, int)): 2次元のタプルでフィルタサイズを指定する(現在2x2のみ)\n fw_dtype (DType)): forwarする型を bb.DType.FP32 と bb.DType.BIT から指定\n '
def __init__(self, filter_size=(2, 2), *, fill=True, input_shape=None, n... |
class Binarize(Model):
'Binarize class\n\n 2値化(活性化層)\n backward は hard-tanh となる\n\n Args:\n bin_dtype (DType)): バイナリ型を bb.DType.FP32 と bb.DType.BIT から指定\n '
def __init__(self, *, input_shape=None, binary_th=0.0, binary_low=(- 1.0), binary_high=(+ 1.0), hardtanh_min=(- 1.0), hardtanh_max=(+... |
class Sigmoid(Model):
'Sigmoid class\n\n Sigmoid 活性化層\n send_command で "binary true" とすることで、Binarize に切り替わる\n 多値で学習を進めて、途中から Binarize に切り替える実験などが可能である\n '
def __init__(self, *, input_shape=None, name=None, bin_dtype=bb.DType.FP32, real_dtype=bb.DType.FP32, core_model=None):
if (c... |
class ReLU(Model):
'ReLU class\n\n ReLU 活性化層\n send_command で "binary true" とすることで、Binarize に切り替わる\n 多値で学習を進めて、途中から Binarize に切り替える実験などが可能である\n '
def __init__(self, *, input_shape=None, name=None, bin_dtype=bb.DType.FP32, real_dtype=bb.DType.FP32, core_model=None):
if (core_model... |
class HardTanh(Model):
'HardTanh class\n\n HardTanh 活性化層\n send_command で "binary true" とすることで、Binarize に切り替わる\n 多値で学習を進めて、途中から Binarize に切り替える実験などが可能である\n '
def __init__(self, *, input_shape=None, name=None, bin_dtype=bb.DType.FP32, real_dtype=bb.DType.FP32, core_model=None):
if... |
class Softmax(Model):
'Softmax class\n\n Softmax 活性化層\n '
def __init__(self, *, input_shape=None, name=None, dtype=bb.DType.FP32, core_model=None):
if (core_model is None):
core_creator = search_core_model('Softmax', [dtype]).create
core_model = core_creator()
... |
class BatchNormalization(Model):
'BatchNormalization class\n\n Args:\n momentum (float): 学習モーメント\n gamma (float): gamma 初期値\n beta (float): beta 初期値\n fix_gamma (bool): gamma を固定する(学習させない)\n fix_beta (bool): beta を固定する(学習させない)\n bin_dtype (DType)): バイナリ型を bb.DType.FP32... |
class Dropout(Model):
'Dropout class\n\n Args:\n rate (float): Drop率\n seed (int): 乱数シード\n fw_dtype (DType): forwardの型を bb.DType.FP32 と bb.DType.BIT から指定\n '
def __init__(self, *, rate=0.5, input_shape=None, seed=1, name=None, fw_dtype=bb.DType.FP32, bw_dtype=bb.DType.FP32, core_mo... |
class Shuffle(Model):
'Shuffle class\n\n 所謂 ShuffleNet のようなシャッフルを行うモデル\n 入力ノードが shuffle_unit 個のグループに分割されるようにシャッフルする\n\n\n Args:\n shuffle_unit (int): シャッフルする単位\n '
def __init__(self, shuffle_unit, *, output_shape=None, input_shape=None, name=None, core_model=None):
if (outp... |
class Concatenate(Model):
'Concatenate class\n\n 複数の入力をConcatenateするクラス\n '
def __init__(self, *, input_shape=None, name=None, core_model=None):
if (core_model is None):
core_creator = search_core_model('Concatenate', []).create
core_model = core_creator()
su... |
class DifferentiableLutBlock(Sequential):
def __init__(self, output_shape, depth, name=None, batch_norm=True, binarize=True, bin_dtype=bb.DType.FP32):
self.layers = []
for i in range(depth):
if (name is None):
layer_name = None
else:
layer_n... |
def get_model_list(net, flatten: bool=False):
' Get model list from networks\n ネットから構成するモデルのリストを取り出す\n \n Args:\n net (Model): 検索するパス\n flatten (bool): 階層をフラットにするかどうか\n Returns:\n list of models\n '
if (type(net) is not list):
net = [net]... |
def get_model_list_for_rtl(net):
if (type(net) is not list):
net = [net]
def flatten_list(in_list, out_list):
for model in in_list:
if issubclass(type(model), Switcher):
model = model.get_current_model()
if ((type(model) != Convolution2d) and hasattr(mo... |
def int_to_bytes(value: int):
return value.to_bytes(8, 'little')
|
def int_from_bytes(data: bytes) -> (bytes, int):
value = int.from_bytes(data[0:8], 'little')
return (data[8:], value)
|
def bool_to_bytes(value: bool):
return value.to_bytes(1, 'little')
|
def bool_from_bytes(data: bytes) -> (bytes, bool):
value = bool.from_bytes(data[0:1], 'little')
return (data[1:], value)
|
def string_to_bytes(value: str):
value = value.encode(encoding='utf-8')
data = int_to_bytes(len(value))
data += value
return data
|
def string_from_bytes(data: bytes) -> (bytes, str):
(data, str_len) = int_from_bytes(data)
value = data[0:str_len].decode(encoding='utf-8')
return (data[str_len:], value)
|
def dump_object_header(object_name):
return core.Object.write_header(object_name)
|
def load_object_header(data):
(load_size, object_name) = core.Object.read_header(data)
return (data[load_size:], object_name)
|
def get_core_class_list():
return _core_class_list
|
def get_core_class_dict():
return _core_class_dict
|
def search_core_class(class_name):
return _core_class_dict[class_name]
|
def get_core_subclass_list(superclass):
class_list = []
for c in get_core_class_list():
if issubclass(c[1], superclass):
class_list.append(c)
return class_list
|
def get_core_subclass_dict(superclass):
return {k: v for (k, v) in get_core_subclass_list(superclass)}
|
def make_core_object_name(object_name, dtypes):
for dtype in dtypes:
object_name = ((object_name + '_') + bb.dtype_to_name(dtype))
return object_name
|
def split_core_object_name(core_object_name):
args = core_object_name.split('_')
dtypes = []
for dtype_name in args[1:]:
dtypes.append(bb.dtype_from_name(dtype_name))
return (args[0], dtypes)
|
def get_core_object_list():
return _core_object_list
|
def get_core_object_dict():
return _core_object_dict
|
def search_core_object(object_name, dtypes):
core_object_name = make_core_object_name(object_name, dtypes)
return _core_object_dict[core_object_name]
|
def core_object_loads(data):
(load_size, core_object) = core.object_load(data)
return (data[load_size:], core_object)
|
def object_creator_regist(creator):
_object_creator_list.append(creator)
|
def object_loads(data: bytes):
'バイト列からオブジェクトを再構築する\n\n Args:\n data(bytes): バイト列\n \n Returns:\n obj (Object): 再構築したオブジェクト\n '
(_, object_name) = core.Object.read_header(data)
split_name = object_name.split('_')
name = split_name[0]
dtypes = []
for dtype_name in split... |
def object_load(filename: str):
'ファイルからオブジェクトを再構築する\n\n Args:\n filename(str): ファイル名\n \n Returns:\n obj (Object): 再構築したオブジェクト\n '
with open(filename, 'rb') as f:
(data, obj) = bb.object_loads(f.read())
if (data != b''):
print('[object_loads] warrning: dat... |
class Object():
'各クラスの基底クラス\n \n 本クラスから派生する各種のクラスにはシリアライズの機能がサポートされる\n\n '
def __init__(self, core_object=None):
self.core_object = core_object
def set_core(self, core_object):
self.core_object = core_object
def get_core(self):
return self.core_object
def... |
class Optimizer(bb.Object):
'Optimizer の基本クラス\n '
def __init__(self, core_optimizer=None):
super(Optimizer, self).__init__(core_object=core_optimizer)
def set_variables(self, params, grads):
'変数設定\n\n Args:\n params (Variables): 学習対象のパラメータ変数\n grads (Varia... |
class OptimizerSgd(Optimizer):
'SGD 最適化クラス\n\n Args:\n learning_rate (float): 学習率\n '
def __init__(self, learning_rate=0.001, dtype=bb.DType.FP32):
core_optimizer = bb.search_core_object('OptimizerSgd', [dtype]).create(learning_rate=learning_rate)
super(OptimizerSgd, self).__init... |
class OptimizerAdaGrad(Optimizer):
'AdaGrad 最適化クラス\n\n Args:\n learning_rate (float): 学習率\n '
def __init__(self, learning_rate=0.01, dtype=bb.DType.FP32):
core_optimizer = bb.search_core_object('OptimizerAdaGrad', [dtype]).create(learning_rate=learning_rate)
super(OptimizerAdaGra... |
class OptimizerAdam(Optimizer):
'Adam 最適化クラス\n\n Args:\n learning_rate (float): 学習率\n beta1 (float): beta1\n beta2 (float): beta2\n '
def __init__(self, learning_rate=0.001, beta1=0.9, beta2=0.999, dtype=bb.DType.FP32):
core_optimizer = bb.search_core_object('OptimizerAdam'... |
def get_date_string():
return datetime.datetime.now().strftime('%Y%m%d_%H%M%S')
|
def is_date_string(text: str):
' Check if the string is a date\n データ保存パス用の日付文字列かどうか判定\n \n Args:\n text (str): 判定する文字列\n \n Returns:\n Boolean.\n '
if re.fullmatch('[12][0-9]{3}[01][0-9][0-3][0-9]_[0-2][0-9][0-5][0-9][0-5][0-9]', text):
return Tr... |
def get_latest_path(path: str) -> str:
' Get latest data path\n 最新のデータ保存パスを取得\n \n Args:\n path (str): 検索するパス\n \n Returns:\n 見つかったパス. 見つからなければ None\n '
if (not os.path.exists(path)):
return None
files = os.listdir(path)
dirs = [f for f i... |
def remove_backups(path: str, keeps: int=(- 1)):
' Get latest data path\n 最新のデータ保存パスを取得\n \n Args:\n path (str): 検索するパス\n keeps (int): 削除せずに残す数\n '
if (keeps < 0):
return
files = os.listdir(path)
dirs = [f for f in files if os.path.isdir(os.path.join(p... |
def _save_net_file(path: str, name: str, net, file_format=None):
if ((file_format == 'bin') or (file_format == 'all')):
net_file_name = os.path.join(path, (name + '.bin'))
with open(net_file_name, 'wb') as f:
f.write(net.dump_bytes())
elif ((file_format == 'pickle') or (file_format... |
def _load_net_file(path: str, name: str, net, file_format=None) -> bool:
if ((file_format is None) or (file_format == 'bb_net')):
net_file_name = os.path.join(path, (name + '.bb_net'))
if os.path.exists(net_file_name):
with open(net_file_name, 'rb') as f:
net.loads(f.re... |
def save_models(path: str, net, *, write_layers=True, file_format=None):
' save networks\n ネットを構成するモデルの保存\n \n Args:\n path (str): 保存するパス\n net (Model): 保存するネット\n write_layers (bool) : レイヤー別にも出力するかどうか\n '
os.makedirs(path, exist_ok=True)
net_name =... |
def load_models(path: str, net, *, read_layers: bool=False, file_format=None, verbose=True):
' load networks\n ネットを構成するモデルの保存\n \n Args:\n path (str): 読み出すパス\n net (Model): 読み込むネット\n read_layers (bool) : レイヤー別に読み込むか\n verbose (bool) : 詳しく表示する\n ... |
def save_networks(path: str, net, name=None, *, backups: int=10, write_layers: bool=False, file_format=None):
' save networks\n ネットを構成するモデルの保存\n \n 指定したパスの下にさらに日付でディレクトリを作成して保存\n 古いものから削除する機能あり\n 名前を指定すれば日付ではなく名前で記録可能\n \n Args:\n path (str) : 保存するパス\n ... |
def load_networks(path: str, net, name=None, *, read_layers: bool=False, file_format=None, verbose=True):
' load network\n ネットを構成するモデルの読み込み\n \n 最新のデータを探して読み込み\n 名前を指定した場合はそれを読み込み\n \n Args:\n path (str) : 読み込むパス\n net (Model) : 読み込むネット\n ... |
def get_load_networks_path(path: str, net, name=None):
'ネットワークをロードするパスを取得'
if (name is None):
return get_latest_path(path)
else:
return os.path.join(path, name)
|
def copy_network_files(data_path, dst_name, src_name, wildcard='*', exist_ok=False, verbose=1):
'ネットワークファイルのコピー'
dst_path = os.path.join(data_path, dst_name)
src_name = os.path.join(data_path, src_name)
if os.path.exists(dst_path):
if (not exist_ok):
print(('already exists: %s' % d... |
def get_version_string():
'バージョン文字列取得\n \n Returns:\n version (str) : バージョン文字列\n '
return core.get_version_string()
|
def omp_set_num_threads(threads: int):
'omp_set_num_threads\n \n omp_set_num_threadsを呼び出す\n バックグランドで学習する場合など、Host側のCPUをすべて使うと\n 逆に性能が落ちる場合や、運用上不便なケースなどで個数制限できる\n\n Args:\n threads (int) : OpenMPでのスレッド数\n '
core.omp_set_num_threads(threads)
|
def is_device_available():
'デバイス(GPU)が有効かの確認\n\n Returns:\n device_available (bool) : デバイス(GPU)が利用可能なら True を返す\n '
return core.Manager.is_device_available()
|
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.