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。