共计 2862 个字符，预计需要花费 8 分钟才能阅读完成。
明天跟大家分享一个牛逼的开源我的项目，该我的项目只用 Numpy 就实现了一个深度学习框架。
它不是一个 demo，而是一个实实在在能利用的深度学习框架，它的语法与PyTorch 统一，用它能够实现 CNN、RNN、DNN 等经典的神经网络。
该框架对正在学习 深度学习 的敌人十分敌对，因为它的代码量不到 2000 行，大家齐全能够通过浏览源码来深刻理解 神经网络 外部的细节。
如果大家读完源码本人也能做一个相似的深度学习框架，就更完满了。
1. 与 PyTorch 比照
接下来，我用该框架搭建一个简略的神经网络，并与 PyTorch 比照。
咱们用这个神经网络来实现线性回归：
用上面的函数来生成训练样本
def synthetic_data(w, b, num_examples):
"""生成 y =w1*x1+w2*x2+ b 训练样本"""
X = np.random.normal(0, 1, (num_examples, len(w)))
y = np.dot(X, w) + b
y += np.random.normal(0, 0.01, y.shape)
return X, y.reshape((-1, 1))
w = np.array([2, -3.4])
b = 4.2
features, labels = synthetic_data(w, b, 1000)这里咱们令 w1=2、w2=-3.4、b=4.2，随机生成1000 个训练样本，x1、x2寄存在 features 变量中，y寄存在 labels 变量中。
上面咱们要做的是将这些样本输出神经网络中，训练出参数 w1、w2 和b，咱们心愿模型训练进去的参数跟理论的 w1、w2 和b越靠近越好。
先用 PyTorch 来搭建神经网络，并训练模型。
from torch import nn, Tensor
import torch
# 只有一个神经元，并且是线性神经元
# 2 代表有 2 个特色（x1、x2），1 代表输入 1 个特色（y）net = nn.Linear(2, 1)
print(f'初始 w：{net.weight.data}')
print(f'初始 b：{net.bias.data}')
# 用均方误差作为线性回归损失函数
loss = nn.MSELoss()
# 采纳梯度降落算法优化参数，lr 是学习速率
trainer = torch.optim.SGD(net.parameters(), lr=0.03)
# 转 Tensor
X = Tensor(features)
y = Tensor(labels)
# 迭代次数
num_epochs = 300
for epoch in range(num_epochs):
l = loss(net(X), y) # 计算损失
trainer.zero_grad()
l.backward() # 反向流传，求导
trainer.step() # 更新参数
l = loss(net(X), y) # 参数更新后，再次计算损失
print(f'epoch {epoch + 1}, loss {round(float(l.data), 8)}')
print(f'模型训练后的 w：{net.weight.data}')
print(f'模型训练后的 b：{net.bias.data}')这里咱们用的是最简略的神经网络，只有一个神经元。
代码也比较简单，每行都做了正文。
输入的后果也是合乎咱们的预期，输入的损失如下：
epoch 1, loss 33.65092468
epoch 2, loss 29.78330231
epoch 3, loss 26.36030769
...
epoch 298, loss 0.0001022
epoch 299, loss 0.0001022
epoch 300, loss 0.0001022前几轮损失比拟大，等迭代 300 次后，损失曾经十分小了。再看训练进去的参数：
初始 w：tensor([[0.5753, 0.6624]])
初始 b：tensor([-0.5713])
...
模型训练后的 w：tensor([[1.9995, -3.4001]])
模型训练后的 b：tensor([4.1998])能够看到，经过训练后，模型的参数与设定的参数也是十分靠近的。
上面，咱们再用明天介绍的框架再来实现一遍。
from pydynet import nn, Tensor
from pydynet.optimizer import SGD
net = nn.Linear(2, 1)
print(f'初始 w：{net.weight.data}')
print(f'初始 b：{net.bias.data}')
loss = nn.MSELoss()
trainer = SGD(net.parameters(), lr=0.03)
X = Tensor(features)
y = Tensor(labels)
num_epochs = 300
for epoch in range(num_epochs):
l = loss(net(X), y) # 计算损失
trainer.zero_grad()
l.backward() # 反向流传，求导
trainer.step() # 更新参数
l = loss(net(X), y) # 参数更新后，再次计算损失
print(f'epoch {epoch + 1}, loss {round(float(l.data), 8)}')
print(f'模型训练后的 w：{net.weight.data}')
print(f'模型训练后的 b：{net.bias.data}')代码从 pydynet 目录引入的，能够看到，用法跟 PyTorch 简直是截然不同，输入参数如下：
初始 w：[[-0.25983338]
[-0.29252936]]
初始 b：[-0.65241649]
...
模型训练后的 w：[[2.00030734]
[-3.39951581]]
模型训练后的 b：[4.20060585]训练进去的后果也是合乎预期的。
2. 我的项目构造
pydynet我的项目架构如下：
目前只有 5 个 Python源文件，不到 2000 行代码。
第一大节咱们只实现最简略的神经网络，其余经典的神经网络，也有源码，大家能够自行查阅
我的项目地址：https://github.com/Kaslanaria…
我十分喜爱这个我的项目，拜服这个我的项目的作者。如果你也正好在学习人工智能，强烈建议学习学习这个我的项目。
以上就是本次分享的所有内容，如果你感觉文章还不错，欢送关注公众号：Python 编程学习圈，每日干货分享，发送“J”还可支付大量学习材料，内容笼罩 Python 电子书、教程、数据库编程、Django，爬虫，云计算等等。或是返回编程学习网，理解更多编程技术常识。
