kiwigrad

Kiwigrad

Obwohl der Kiwigrad die Fähigkeit fehlt, wie Pytorch und Tensorflow durch den Himmel zu fliegen, ist er immer noch ein beeindruckender Vogel, der vor einem ungenutzten Potenzial weht, das darauf wartet, aufgedeckt zu werden.

• Kiwigrad
• Installieren
• Funktionen
  • Beispiele
• Auslauftest

Kiwigrad? Ja, es ist eine andere Version von Micrograd, die nur zum Spaß und zum Experimentieren erstellt wurde.

Installieren

Um die aktuelle Version zu installieren,

 pip install kiwigrad==0.28 

Funktionen

Kiwigrade ist eine modifizierte Version des Micrograd- und der Minigradpakete mit zusätzlichen Funktionen. Die Hauptmerkmale, die Kiwigrade hinzugefügt wurden, sind:

• Das Training ist aufgrund der C -Implementierung des Wertungsobjekts schneller.
• Die Verfolgung von Funktionen wie das ursprüngliche Micrograd -Paket wurden hinzugefügt. Ein Beispiel hierfür ist im OPS -Notizbuch zu sehen.
• Methoden zum Speichern und Laden der Gewichte eines geschulten Modells.
• Unterstützung für RNN (1) Feedforward Neural Networks.

Beispiele

• In dem Beispiel -Ordner finden Sie Beispiele für Modelle, die mit der Kiwigrad -Bibliothek trainiert wurden.
• Ein Erklärung Beispiel eines MLP -Netzes mit Kiwigrade:

 from kiwigrad import MLP , Layer

class PotNet ( MLP ):
    def __init__ ( self ):
        layers = [
            Layer ( nin = 2 , nout = 16 , bias = True , activation = "relu" ),
            Layer ( nin = 16 , nout = 16 , bias = True , activation = "relu" ),
            Layer ( nin = 16 , nout = 1 , bias = True , activation = "linear" )
        ]
        super (). __init__ ( layers = layers )

model = PotNet ()

• Kiwigrade Like Micrograd unterstützt eine Reihe möglicher Operationen:

 from kiwigrad import Value , draw_dot

a = Value ( - 4.0 )
b = Value ( 2.0 )
c = a + b
d = a * b + b ** 3
c += c + Value ( 1. )
c += Value ( 1. ) + c + ( - a )
d += d * Value ( 2 ) + ( b + a ). relu ()
d += Value ( 3. ) * d + ( b - a ). relu ()
e = c - d
f = e ** 2
g = f / Value ( 2.0 )
g += Value ( 10.0 ) / f
print ( f' { g . data :.4f } ' ) # prints 24.7041, the outcome of this forward pass
g . backward ()
print ( f' { a . grad :.4f } ' ) # prints 138.8338, i.e. the numerical value of dg/da
print ( f' { b . grad :.4f } ' ) # prints 645.5773, i.e. the numerical value of dg/db

draw_dot ( g )

Auslauftest

 cd test 
pytest .