shamboflow

重要的

這是我付出了很多努力的精心模因。所以請，沒有人起訴我。

Shamboflow是用於創建機器學習模型的開源API。它僅在Python中可用。

Shamboflow是替換量的超快速下降以進行張量（閱讀毫無疑問，甚至沒有提高性能）。它是從頭開始構建的（讀取，使用numpy），並帶有CUDA GPU支持。我將在此文件的末尾講述故事的故事。

認真地說，我一直想使用numpy，沒有其他庫來實現神經網絡，這給了我一個藉口。所以我做到了。我在一周內做了這個。在此過程中學到了很多東西，這是一次壓力和有趣的體驗。該庫取決於numpy，但也使用CUPY添加GPU支持。其他兩個依賴項是Progress Bar和Colorama的TQDM，用於彩色文本。由於我已經付出了很多努力，我可能會為此做更多的工作。

文件

安裝

使用PIP軟件包安裝。

$ pip install shamboflow

要將shamboflow更新為最新版本，請添加--upgrade標誌到上述命令

例子

一個小示例程序，該程序顯示瞭如何使用3-2-1拓撲創建簡單的ANN並使用數據訓練以執行預測。

定義模型並訓練

 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' )

加載保存的模型並預測

 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

它的故事時間。

上週，我們在大學上舉行了一個神經網絡課。班級結束時，我們的教授告訴我們在Python實施給定的網絡。現在，以前他告訴我們不要使用任何圖書館執行我們的任務，因為這只會破壞學習算法的目的。因此，我很興奮，我將使用Python實施一個神經網絡。然後他告訴我們，我們可以使用庫來建立網絡。我有點沮喪。我的朋友開玩笑地告訴我，“不，你必須做到”。我說，如果我在一周內完成它，您會在作業中使用它嗎？我的朋友同意了。

所以，在這裡。我的圖書館。我是如此，讓他們將其用於作業。