論文の概要: EagerPy: Writing Code That Works Natively with PyTorch, TensorFlow, JAX, and NumPy

• arxiv url: http://arxiv.org/abs/2008.04175v1
• Date: Mon, 10 Aug 2020 14:57:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 22:37:55.144092
• Title: EagerPy: Writing Code That Works Natively with PyTorch, TensorFlow, JAX, and NumPy
• Title（参考訳）: EagerPy: PyTorch、TensorFlow、JAX、NumPyとネイティブに動作するコードを書く
• Authors: Jonas Rauber, Matthias Bethge, Wieland Brendel
• Abstract要約: EagerPyはPythonフレームワークで、PyTorch、JAX、NumPyで自動的に動作するコードを書くことができる。 EagerPyはまた、あらゆるフレームワークに包括的な型アノテーションとメソッドチェインの一貫したサポートを提供する。
• 参考スコア（独自算出の注目度）: 33.049321142291326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: EagerPy is a Python framework that lets you write code that automatically works natively with PyTorch, TensorFlow, JAX, and NumPy. Library developers no longer need to choose between supporting just one of these frameworks or reimplementing the library for each framework and dealing with code duplication. Users of such libraries can more easily switch frameworks without being locked in by a specific 3rd party library. Beyond multi-framework support, EagerPy also brings comprehensive type annotations and consistent support for method chaining to any framework. The latest documentation is available online at https://eagerpy.jonasrauber.de and the code can be found on GitHub at https://github.com/jonasrauber/eagerpy.
• Abstract（参考訳）: EagerPyはPythonフレームワークで、PyTorch、TensorFlow、JAX、NumPyで自動的にネイティブに動作するコードを書くことができる。 ライブラリ開発者はもはや、これらのフレームワークの1つをサポートするか、各フレームワークのためにライブラリを再実装するか、コードの重複を扱うかを選ぶ必要はない。 このようなライブラリのユーザは、特定のサードパーティライブラリにロックされることなく、フレームワークを簡単に切り替えることができる。 マルチフレームワークのサポート以外にも、EagerPyはあらゆるフレームワークに包括的な型アノテーションとメソッドチェインの一貫性をサポートする。 最新のドキュメントはhttps://eagerpy.jonasrauber.deで公開されている。コードはgithubのhttps://github.com/jonasrauber/eagerpyにある。

関連論文リスト

• PufferLib: Making Reinforcement Learning Libraries and Environments Play Nice [0.8702432681310401]
  PufferLibは、一般的な互換性問題を排除したワンライン環境ラッパーを提供する。 PufferLibを使えば、CleanRLやSB3といった慣れ親しんだライブラリを使って、AtariやProcgenといった古典的なベンチマークからNetHackやNeural MMOのような複雑なシミュレータまでスケールすることができる。 私たちのコードはすべて、MITライセンスの下でフリーでオープンソースのソフトウェアです。
  論文  参考訳（メタデータ） (2024-06-11T21:13:34Z)
• depyf: Open the Opaque Box of PyTorch Compiler for Machine Learning Researchers [92.13613958373628]
  textttdepyfは、PyTorchコンパイラの内部動作を復号化するためのツールである。 textttdepyfは、PyTorchが生成したバイトコードを等価なソースコードに逆コンパイルする。
  論文  参考訳（メタデータ） (2024-03-14T16:17:14Z)
• pyvene: A Library for Understanding and Improving PyTorch Models via Interventions [79.72930339711478]
  $textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。 私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
  論文  参考訳（メタデータ） (2024-03-12T16:46:54Z)
• torchgfn: A PyTorch GFlowNet library [56.071033896777784]
  torchgfnはPyTorchライブラリで、このニーズに対処することを目指している。 環境のためのシンプルなAPIと、サンプルと損失のための有用な抽象化を提供する。
  論文  参考訳（メタデータ） (2023-05-24T00:20:59Z)
• SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
  SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。 それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。 私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
  論文  参考訳（メタデータ） (2023-04-21T10:00:22Z)
• PyTorch Adapt [37.03614011735927]
  PyTorch Adaptはドメイン適応のためのライブラリである。 ドメイン適応(Domain adapt)は、既存のモデルを新しいドメインで動作させる機械学習アルゴリズムの一種である。 完全に機能したツールキットで、数行のコードで完全なトレイン/テストパイプラインを作成できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:09Z)
• Repro: An Open-Source Library for Improving the Reproducibility and Usability of Publicly Available Research Code [74.28810048824519]
  Reproは、研究コードのユーザビリティ向上を目的とした、オープンソースのライブラリである。 Dockerコンテナ内で研究者がリリースしたソフトウェアを実行するための軽量Python APIを提供する。
  論文  参考訳（メタデータ） (2022-04-29T01:54:54Z)
• SuperSuit: Simple Microwrappers for Reinforcement Learning Environments [0.0]
  SuperSuitはPythonライブラリで、すべての人気のあるラッパーとラッパーが含まれており、観察/アクション/リワードに関数を簡単に適用できる。 これは、標準のGym環境仕様と、マルチエージェント環境のためのPettingZoo仕様と互換性がある。
  論文  参考訳（メタデータ） (2020-08-17T00:30:06Z)
• Signatory: differentiable computations of the signature and logsignature transforms, on both CPU and GPU [13.503274710499971]
  Signatoryは、シグネチャおよびログシグネチャ変換に関連する機能を計算し、実行するライブラリである。 これは、効率的な事前計算戦略など、以前のライブラリでは利用できない新機能を実装している。 ライブラリはC++のPythonラッパーとして動作し、PyTorchエコシステムと互換性がある。
  論文  参考訳（メタデータ） (2020-01-03T03:15:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。