仅使用Numpy实现MLP库的轻量级实现
np-mlp的Python项目详细描述
MLP项目
仅使用Numpy实现多层感知器库的简单而轻量级的实现
代码示例
下面几行展示了如何使用这个库来运行一个简单的列车预测任务
实例化一个新的空模型
frommodelsimportBasicMLPmodel=BasicMLP()
添加层
只有第一层需要指定输入亮度。其余层将从输入到它们的层进行推断
^{pr2}$编译模型
这只是为了模拟Keras库的行为。所有这些只是初始化层
model.compile()
训练分位数模型
fromlossesimportQuantileparams={"learning_rate":0.001,"n_epoch":100,"print_rate":10}loss=Quantile(0.5)model.train(loss,train_data=[X,y],params=params)
使用列车功能的列车
#### Train a quantile modelfromtrainimportModelTrainparams={"n_epoch":1000}trainer=ModelTrain(params)loss=Quantile(0.5)trainer.train(model,loss=loss,train_data=[X,y])
保存并加载模型
model.save("model.json")mlp=BasicMLP()mlp.load("model.json")
列车参数：
n_epoch：纪元数（默认值：10）batch_size：批大小（默认值：128）n_stopping_rounds：N个连续的时间段，对于早期停止没有改善（默认值：10）learning_rate:1，#学习率（默认值：0）reg_lambda：#渐变的正则化因子（默认值：0）verbose：绘制列车结果的标志（默认值：True）print_rate：打印每个打印速率时段的序列结果（默认值：5）early_stopping：使用早期停止的标志（默认值：False）
作者
- Gonzalo Franco-Github
许可证
n_epoch：纪元数（默认值：10）batch_size：批大小（默认值：128）n_stopping_rounds：N个连续的时间段，对于早期停止没有改善（默认值：10）learning_rate:1，#学习率（默认值：0）reg_lambda：#渐变的正则化因子（默认值：0）verbose：绘制列车结果的标志（默认值：True）print_rate：打印每个打印速率时段的序列结果（默认值：5）early_stopping：使用早期停止的标志（默认值：False）这个项目是在GNU linse下授权的-有关详细信息，请参阅LICENSE.md文件
合作
下面是一份将来要实施的想法清单。如果你有兴趣合作，请随意挑选其中任何一个！如果您还想提供其他内容，请打开issue
- Save train log：将列车日志与模型一起保存
- Auto save best train when using cross validation：存储最佳训练迭代
- Keep trainlog：当模型列车手动停车时，列车日志重置
- 2D Conv layer：添加一个2D卷积层
- 3D Conv layer添加一个3D卷积层
- flant layer：添加一个平坦层以将卷积转换为密集层
- Concat layer：添加Concat层以便可以组合卷积和密度
- Autograd：实现Autograd库
- Logging：添加将记录器传递到训练任务的可能性
- 项目
标签：
欢迎加入QQ群-->： 979659372
