perl-AI-NeuralNet-Mesh.spec

   1 #
   2 # Conditional build:
   3 %bcond_without  tests   # don't perform "make test"
   4
   5 %define         pdir    AI
   6 %define         pnam    NeuralNet-Mesh
   7 Summary:        AI::NeuralNet::Mesh - an optimized, accurate neural network Mesh
   8 Summary(pl.UTF-8):      AI::NeuralNet::Mesh - zoptymalizowana, dokładna sieć neuronowa Mesh
   9 Name:           perl-AI-NeuralNet-Mesh
  10 Version:        0.44
  11 Release:        5
  12 # same as perl
  13 License:        GPL v1+ or Artistic
  14 Group:          Development/Languages/Perl
  15 Source0:        http://www.cpan.org/modules/by-module/%{pdir}/%{pdir}-%{pnam}-%{version}.zip
  16 # Source0-md5:  5d1c68c7d494da158ce50c263a7d77a1
  17 URL:            http://search.cpan.org/dist/AI-NeuralNet-Mesh/
  18 BuildRequires:  perl-devel >= 1:5.8.0
  19 BuildRequires:  rpm-perlprov >= 4.1-13
  20 BuildRequires:  unzip
  21 BuildArch:      noarch
  22 BuildRoot:      %{tmpdir}/%{name}-%{version}-root-%(id -u -n)
  23
  24 %description
  25 AI::NeuralNet::Mesh is an optimized, accurate neural network Mesh. It
  26 was designed with accuracy and speed in mind.
  27
  28 This network model is very flexible. It will allow for classic binary
  29 operation or any range of integer or floating-point inputs you care to
  30 provide. With this you can change activation types on a per node or
  31 per layer basis (you can even include your own anonymous subs as
  32 activation types). You can add sigmoid transfer functions and control
  33 the threshold. You can learn data sets in batch, and load CSV data set
  34 files. You can do almost anything you need to with this module. This
  35 code is designed to be flexible.
  36
  37 %description -l pl.UTF-8
  38 AI::NeuralNet::Mesh to zoptymalizowana, dokładna sieć neuronowa Mesh.
  39 Została zaprojektowana z myślą o dokładności i szybkości.
  40
  41 Model sieci jest bardzo elastyczny. Pozwala na klasyczne operacje
  42 binarne oraz dowolny zakres wejść całkowitych lub zmiennoprzecinkowych
  43 jaki tylko chcemy dostarczyć. Można zmienić czasy aktywacji dla węzłów
  44 lub warstw (można nawet dołączyć własne anonimowe podsieci jako typy
  45 aktywacji). Można dodawać funkcje transferu sigmoidalnego i kontrolę
  46 progu. Można uczyć zbiorów danych wsadowo i wczytywać dane z plików
  47 CSV. Można robić prawie wszystko co jest potrzebne. Kod jest
  48 zaprojektowany tak, by był elastyczny.
  49
  50 %prep
  51 %setup -q -c
  52
  53 %build
  54 %{__perl} Makefile.PL \
  55         INSTALLDIRS=vendor
  56 %{__make}
  57
  58 %{?with_tests:%{__make} test}
  59
  60 %install
  61 rm -rf $RPM_BUILD_ROOT
  62
  63 %{__make} install \
  64         DESTDIR=$RPM_BUILD_ROOT
  65
  66 install -d $RPM_BUILD_ROOT%{_examplesdir}/%{name}-%{version}
  67 cp -p examples/* $RPM_BUILD_ROOT%{_examplesdir}/%{name}-%{version}
  68
  69 %clean
  70 rm -rf $RPM_BUILD_ROOT
  71
  72 %files
  73 %defattr(644,root,root,755)
  74 %doc Changes *.htm README
  75 %{perl_vendorlib}/AI/NeuralNet/*.pm
  76 %dir %{_examplesdir}/%{name}-%{version}
  77 %attr(755,root,root) %{_examplesdir}/%{name}-%{version}/*.pl
  78 %{_examplesdir}/%{name}-%{version}/*.mesh
  79 %{_examplesdir}/%{name}-%{version}/*.txt
  80 %{_examplesdir}/%{name}-%{version}/*.dat
  81 %{_examplesdir}/%{name}-%{version}/*.pcx
  82 %{_mandir}/man3/*