高性能数据分析和机器学习的框架。
heat的Python项目详细描述
啊！[热徽标]（doc/images/logo_heat.png）
heat是一个用于高性能数据分析的分布式张量框架。
项目状态
[！[生成状态]（https://travis-ci.com/helmholtz-analytics/heat.svg?branch=master)](https://travis-ci.com/helmholtz-analytics/heat） [！[文档状态]（https://readthedocs.org/projects/heat/badge/?version=latest)](https://heat.readthedocs.io/en/latest/？徽章=最新） [！[codecov]（https://codecov.io/gh/helmholtz-analytics/heat/branch/master/graph/badge.svg)](https://codecov.io/gh/helmholtz-analytics/heat）
目标
<>热是一个灵活和无缝的开源软件，用于高性能的数据分析和机器学习。它使用cpu、gpu和基于mpi的分布式集群系统为张量计算提供了高度优化的算法和数据结构。heat的目标是填补数据分析和机器学习库之间的空白，重点放在单节点性能和传统的高性能计算（hpc）上。热的Python第一编程接口与现有的数据科学生态系统无缝集成，并使它与使用NUMPY编写可扩展的科学和数据科学应用一样毫不费力。Heat允许您解决超出笔记本和台式机计算和内存需求的实际大数据挑战。
功能
- 高性能n维张量
- 使用mpi的cpu、gpu和分布式计算
- 强大的数据分析和机器学习方法
- 通过分裂张量进行抽象交流
- python api
开始
在github或/scripts目录中查看我们的jupyter笔记本[教程]（https://github.com/helmholtz-analytics/heat/blob/master/scripts/tutorial.ipynb）。
要求
热量是基于[pytorch]（https://pytorch.org/）。具体来说，我们是在剥削 pytorch对gpu和mpi并行性的支持。对于MPI支持，我们使用 [MPI4PY]（https://mpi4py.readthedocs.io）。两个软件包都可以通过pip安装，也可以使用setup.py自动安装。
许可证
热量是根据麻省理工学院的许可证分配的 [许可证]（许可证）文件。
致谢
这项工作得到了[helmholtz协会倡议和 联网]（https://www.helmholtz.de/en/about_us/the_association/initiating_and_networking/） 项目号ZT-I-0003项下的资金。
欢迎加入QQ群-->： 979659372
](https://travis-ci.com/helmholtz-analytics/heat){kind=link}
](https://codecov.io/gh/helmholtz-analytics/heat){kind=link}