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 = 4.2features, 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, Tensorimport 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 TensorX = Tensor(features)y = Tensor(labels)# 迭代次数num_epochs = 300for 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 33.65092468epoch 2, loss 29.78330231epoch 3, loss 26.36030769...epoch 298, loss 0.0001022epoch 299, loss 0.0001022epoch 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, Tensorfrom pydynet.optimizer import SGDnet = 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 = 300for 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。