neuronnet 0.4

Библиотека для коллективного обучения нейросетей с использованием оптимизатора Adam, L2-регуляризации и мини-пакетов.

NeuronNet

Лёгкая библиотека для коллективного обучения нейросетей

Описание

NeuronNet — это простая и эффективная библиотека для коллективного обучения нейросетей. Она позволяет моделям обучаться не только независимо, но и обмениваться знаниями, что ускоряет обучение и повышает качество предсказаний. Это идеальный инструмент для тех, кто хочет исследовать и развивать новые методы обучения.

Возможности

• Коллективное обучение: несколько моделей могут обмениваться знаниями, что ускоряет и улучшает процесс обучения.
• Лёгкость в использовании: библиотека имеет минимальные зависимости и проста в интеграции.
• Гибкость: поддерживает различные типы задач и легко адаптируется под нужды пользователя.
• Динамическое изменение скорости обучения: возможность адаптировать скорость обучения в процессе тренировки.
• Механизм раннего завершения: автоматическое завершение обучения, если модель перестает улучшаться.
• Поддержка различных функций активации: возможность выбора между ReLU, Tanh и Sigmoid.

Установка

Для использования библиотеки в своём проекте:

pip install neuronnet  # Если библиотека будет доступна через PyPI

Или клонируйте репозиторий:

git clone https://github.com/UmarArab1/NeuronNet  
cd neuronnet

Пример использования

import numpy as np
from neuronnet import CollectiveLearningModel, collective_training

# Создание случайных данных для обучения
X = np.random.randn(100, 5)  # 100 примеров, 5 признаков
y = np.random.randn(100, 1)  # 100 целевых значений

# Создание моделей для коллективного обучения
models = [CollectiveLearningModel(5, 10, 1) for _ in range(3)]

# Обучение моделей
collective_training(models, X, y, epochs=1000, learning_rate=0.01, early_stopping=True, patience=5)

# Проверка предсказаний
for i, model in enumerate(models):
    predictions, _ = model.forward(X[:10])
    print(f"Model {i+1} predictions:\n", predictions)

Лицензия

Проект распространяется под лицензией MIT с дополнительными ограничениями. Подробности см. в файле LICENSE.

Автор

Разработчик: Умар
Контакты: [[e-mail]]

Обновления:

• Добавлен оптимизатор Adam.
• Включена L2-регуляризация.
• Реализована обработка данных в мини-пакетах.