张量流的神经网络包装器
nn_wtf的Python项目详细描述
#nn wtf-tensorflow的神经网络包装器
nn wtf旨在为谷歌的机器学习库提供一个方便的包装器。
它的重点是使神经网络易于设置、训练和使用。
该库目前处于pre-alpha状态,尚未做任何有用的工作。
安装过程取决于您的系统。安装为python 3.4构建的tensorflow版本。
http://www.tensorflow.org/versions/r0.8/Get\u started/os\u setup.html 35;下载和安装
>了解详细信息。
不支持GPU的Linux安装示例:不支持GPU的Linux安装示例:
```` ` ` `
` ` ` ` ` ` ` `
` ` ` ` ` `
` ` ` ` ` ` ` ` ` `
` ` ` ` ` ` ` ` ` ` ` `>
nn-wtf本身
简单:
```
$pip install nn廑wtf
````
更有用的
文档将在该包达到alpha状态时准备就绪。
\*`训练(self,数据集,最大步数,精度,检查之间的步数,运行检查,批处理大小)`
*`get_predictor().predict(输入数据)`
*`mnistgraph`:适合处理mnist数据的neuralnetworkgraph的子类
*`neuralnetworkoptimizer`:优化神经网络的几何结构以进行快速训练测试的网络,输入大小,输出大小,训练精度,
层大小,学习速率,详细,批量大小)`
*`brute force最优网络几何(self,数据集,最大步数)`
尝试以下示例程序:
``python
from nn_wtf.mnist数据集从nn_wtf.mnist数据集导入mnist data sets
>from nn_wtf.mnist数据集从图导入mnist graph
import tensorflow as tf
data=mnistdatasets=mnistdatasets('.')
graph=mnistgraph(
>学习率=0.1,层大小=(64,64,64,64,16),列车运行列车运行目录='.'.
graph.train.traph.train(数据集,最大步数=5000,精度=0.95)
'http://github.com/lene/nn-wtf/blob/master/nn_wtf/data/7_from_test_set.raw)读取一个图像。raw=true'
)
prediction=graph.get_predictor().predict(图像数据)
assert prediction==7
`````
>;从那时起,您现在就可以自己了。更多功能和文档
即将推出。
nn wtf旨在为谷歌的机器学习库提供一个方便的包装器。
它的重点是使神经网络易于设置、训练和使用。
该库目前处于pre-alpha状态,尚未做任何有用的工作。
安装过程取决于您的系统。安装为python 3.4构建的tensorflow版本。
http://www.tensorflow.org/versions/r0.8/Get\u started/os\u setup.html 35;下载和安装
>了解详细信息。
不支持GPU的Linux安装示例:不支持GPU的Linux安装示例:
```` ` ` `
` ` ` ` ` ` ` `
` ` ` ` ` `
` ` ` ` ` ` ` ` ` `
` ` ` ` ` ` ` ` ` ` ` `>
nn-wtf本身
简单:
```
$pip install nn廑wtf
````
更有用的
文档将在该包达到alpha状态时准备就绪。
\*`训练(self,数据集,最大步数,精度,检查之间的步数,运行检查,批处理大小)`
*`get_predictor().predict(输入数据)`
*`mnistgraph`:适合处理mnist数据的neuralnetworkgraph的子类
*`neuralnetworkoptimizer`:优化神经网络的几何结构以进行快速训练测试的网络,输入大小,输出大小,训练精度,
层大小,学习速率,详细,批量大小)`
*`brute force最优网络几何(self,数据集,最大步数)`
尝试以下示例程序:
``python
from nn_wtf.mnist数据集从nn_wtf.mnist数据集导入mnist data sets
>from nn_wtf.mnist数据集从图导入mnist graph
import tensorflow as tf
data=mnistdatasets=mnistdatasets('.')
graph=mnistgraph(
>学习率=0.1,层大小=(64,64,64,64,16),列车运行列车运行目录='.'.
graph.train.traph.train(数据集,最大步数=5000,精度=0.95)
)
prediction=graph.get_predictor().predict(图像数据)
assert prediction==7
`````
>;从那时起,您现在就可以自己了。更多功能和文档
即将推出。