pinferencia
v0.2.1
เรียบง่าย แต่ทรงพลัง
เอกสารภาษาอังกฤษ | 中文文档 | 中文 readme
ต้องการความช่วยเหลือ แปลเนื้อเพลงแร็พทั้งหมดต้องการ อย่าลังเลที่จะสร้างปัญหา
Pinferencia พยายามที่จะเป็นเซิร์ฟเวอร์การเรียนรู้การเรียนรู้ของเครื่องที่ง่ายที่สุด!
สามบรรทัดพิเศษและโมเดลของคุณออนไลน์
การให้บริการแบบจำลองกับ GUI และ REST API ไม่เคยง่ายมาก่อน
หากคุณต้องการ
คุณอยู่ในสถานที่ที่เหมาะสม
คุณสมบัติ Pinferencia รวมถึง:
pip install " pinferencia[streamlit] "pip install " pinferencia " ให้บริการรุ่นใด ๆ
from pinferencia import Server
class MyModel :
def predict ( self , data ):
return sum ( data )
model = MyModel ()
service = Server ()
service . register ( model_name = "mymodel" , model = model , entrypoint = "predict" )แค่วิ่ง:
pinfer app:service
ไชโยการบริการของคุณยังมีชีวิตอยู่ ไปที่ http://127.0.0.1:8501/ และสนุก
มีรูปแบบการเรียนรู้ลึก ๆ หรือไม่? ง่ายเหมือน รถไฟง่ายหรือโหลดโมเดลของคุณและลงทะเบียนด้วยบริการ มีชีวิตอยู่ทันที
กอดใบหน้า
รายละเอียด: HuggingFace Pipeline - Vision
from transformers import pipeline
from pinferencia import Server
vision_classifier = pipeline ( task = "image-classification" )
def predict ( data ):
return vision_classifier ( images = data )
service = Server ()
service . register ( model_name = "vision" , model = predict )pytorch
import torch
from pinferencia import Server
# train your models
model = "..."
# or load your models (1)
# from state_dict
model = TheModelClass ( * args , ** kwargs )
model . load_state_dict ( torch . load ( PATH ))
# entire model
model = torch . load ( PATH )
# torchscript
model = torch . jit . load ( 'model_scripted.pt' )
model . eval ()
service = Server ()
service . register ( model_name = "mymodel" , model = model )เทนเซอร์โฟลว์
import tensorflow as tf
from pinferencia import Server
# train your models
model = "..."
# or load your models (1)
# saved_model
model = tf . keras . models . load_model ( 'saved_model/model' )
# HDF5
model = tf . keras . models . load_model ( 'model.h5' )
# from weights
model = create_model ()
model . load_weights ( './checkpoints/my_checkpoint' )
loss , acc = model . evaluate ( test_images , test_labels , verbose = 2 )
service = Server ()
service . register ( model_name = "mymodel" , model = model , entrypoint = "predict" ) รูปแบบใด ๆ ของกรอบใด ๆ ก็จะทำงานในลักษณะเดียวกัน ตอนนี้เรียกใช้ uvicorn app:service --reload และสนุก!
หากคุณต้องการมีส่วนร่วมรายละเอียดอยู่ที่นี่
