NTkpp 0.0.3.1

Простая библиотека для полносвязных нейронных сетей

NeuralPy - Библиотека для построения и обучения нейронных сетей

Описание:

NeuralPy - это простая и интуитивно понятная библиотека для работы с нейронными сетями. Она предоставляет полный набор инструментов для создания, обучения и оптимизации нейронных сетей. Библиотека ориентирована как на новичков, так и на опытных разработчиков, которым требуется гибкость и возможность тонкой настройки.

Основные возможности:

Построение нейронных сетей:

Создание моделей с использованием класса NeuralNetwork и добавление произвольного количества слоев (DenseLayer).

Функции активации:

Поддержка популярных функций активации, таких как ReLU, Sigmoid, Softmax, и гиперболический тангенс.

Функции потерь:

Реализация MSE (средняя квадратичная ошибка) и кросс-энтропии для задач регрессии и классификации.

Оптимизация:

Поддержка популярных алгоритмов оптимизации, включая SGD, RMSProp, AdaGrad, Adam, и AdaDelta.

Гибкость и кастомизация:

Инициализация весов: random, xavier, he, normal.

Настраиваемые параметры скорости обучения, коэффициента затухания и регуляризации.

Возможность выбора метода обновления весов для каждого слоя.

Обучение:

Функция train поддерживает обучение с использованием полного набора данных или мини-батчей. Также возможна интеграция пользовательских оптимизаторов.

Пример использования:

python

Копировать код

import numpy as np

from NeuralPy import NeuralNetwork, DenseLayer, train

from NeuralPy.losses import MeanSquaredError

# Создание модели

model = NeuralNetwork(learning_rate=0.01)

model.add_layer(DenseLayer(input_size=2, output_size=4, activation_func='relu'))

model.add_layer(DenseLayer(input_size=4, output_size=1, activation_func='sigmoid'))

# Генерация данных

x_train = np.random.rand(100, 2)

y_train = np.random.randint(0, 2, (100, 1))

# Определение функции потерь

loss = MeanSquaredError()

# Обучение модели

train(model, x_train, y_train, loss_func=loss, epochs=10, batch_size=16)

# Прогнозирование

predictions = model.forward(x_train)