shamboflow

重要的

这是我付出了很多努力的精心模因。所以请，没有人起诉我。

Shamboflow是用于创建机器学习模型的开源API。它仅在Python中可用。

Shamboflow是替换量的超快速下降以进行张量（阅读毫无疑问，甚至没有提高性能）。它是从头开始构建的（读取，使用numpy），并带有CUDA GPU支持。我将在此文件的末尾讲述故事的故事。

认真地说，我一直想使用numpy，没有其他库来实现神经网络，这给了我一个借口。所以我做到了。我在一周内做了这个。在此过程中学到了很多东西，这是一次压力和有趣的体验。该库取决于numpy，但也使用CUPY添加GPU支持。其他两个依赖项是Progress Bar和Colorama的TQDM，用于彩色文本。由于我已经付出了很多努力，我可能会为此做更多的工作。

文档

安装

使用PIP软件包安装。

$ pip install shamboflow

要将shamboflow更新为最新版本，请添加--upgrade标志到上述命令

例子

一个小示例程序，该程序显示了如何使用3-2-1拓扑创建简单的ANN并使用数据训练以执行预测。

定义模型并训练

 import numpy as np

# Dataset
x_data = np . array ([[ 1 , 0 , 1 ]])
y_data = np . array ([[ 1 ]])

# Parameters
learning_rate = 0.9
train_epochs = 20

# Import the library
import shamboflow as sf

# Create a model
model = sf . models . Sequential ()
# Add layers
model . add ( sf . layers . Dense ( 3 ))
model . add ( sf . layers . Dense ( 2 , activation = 'sigmoid' ))
model . add ( sf . layers . Dense ( 1 , activation = 'sigmoid' ))

# Compile the model
model . compile ( learning_rate = learning_rate , loss = 'mean_squared_error' , verbose = True )

# Callbacks
checkpoint = sf . callbacks . ModelCheckpoint ( monitor = 'loss' , save_best_only = True , verbose = True )

# Train the model with the dataset
model . fit (
    x_data ,
    y_data ,
    epochs = train_epochs ,
    callbacks = [ checkpoint ]
)

# Save the trained model to disk
model . save ( 'model.meow' )

加载保存的模型并预测

 import numpy as np
import shamboflow as sf

model = sf . models . load_model ( "./model.meow" )

a = np . array ([[ 1 , 0 , 1 ]])

res = model . predict ( a )
print ( res )

故事

它的故事时间。

上周，我们在大学上举行了一个神经网络课。班级结束时，我们的教授告诉我们在Python实施给定的网络。现在，以前他告诉我们不要使用任何图书馆执行我们的任务，因为这只会破坏学习算法的目的。因此，我很兴奋，我将使用Python实施一个神经网络。然后他告诉我们，我们可以使用库来建立网络。我有点沮丧。我的朋友开玩笑地告诉我，“不，你必须做到”。我说，如果我在一周内完成它，您会在作业中使用它吗？我的朋友同意了。

所以，在这里。我的图书馆。我是如此，让他们将其用于作业。