معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Implementation of a Feed Forward Neural Network

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	NNeuralNet-1.0
نام	NNeuralNet
نسخه کتابخانه	1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Praveen Gorre,Viswanath Tadi
ایمیل نویسنده	cs18b047@smail.iitm.ac.in
آدرس صفحه اصلی	https://github.com/dl-thops/NeuralNet
آدرس اینترنتی	https://pypi.org/project/NNeuralNet/
مجوز	-

# NeuralNet ## Table of Contents 1. [Introduction](https://github.com/dl-thops/NeuralNet#introduction) 2. [Download](https://github.com/dl-thops/NeuralNet#download) 3. [Quick Start](https://github.com/dl-thops/NeuralNet#quick-start) 4. [Features](https://github.com/dl-thops/NeuralNet#features) 5. [Project Report](https://github.com/dl-thops/NeuralNet#project-report) ## Introduction This repository contains an implementation of a Feed Forward Neural Network from scratch using numpy libraries. We have achieved a testing accuracy of 97.45% on MNIST Dataset and a 88.80.% testing accuracy on Fashion-MNIST Dataset. You can also find a GPU version of the class NeuralNet in [ctrain<span>.py</span>](https://github.com/dl-thops/NeuralNet/blob/master/ctrain.py) (Uses cupy instead of numpy(CuDa compatible)). We have found about 50~100 x speed boost in training time. We will release the cupy version module soon. ## Download You can view the source code for the NeuralNet class implementation from this [page](https://github.com/dl-thops/NeuralNet/blob/master/neuralnet.py). `pip install NNeuralNet` ## Quick Start #### Training ``` from NNeuralNet.NeuralNet import NeuralNet from keras.datasets import mnist # Import and Preprocess Data ( X_train, Y_train), ( X_test, Y_test) = mnist.load_data() X_train = X_train.reshape(X_train.shape[0],-1).T X_test = X_test.reshape(X_test.shape[0],-1).T nn = NeuralNet( input_size = 784, output_size = 10) nn.addlayer(128) nn.addlayer(64) nn.train( X_train, Y_train, numepochs = 10, learning_rate = 0.001) ``` #### Prediction ``` nn.predict( X_test, returnclass = 1) # Set returnclass = 0 for class probabilities ``` #### Saving a Model ``` nn.save_model( "my_model.bin") ``` #### Loading a Saved Model ``` nn = NeuralNet.load_model( "my_model.bin") ``` ## Features The NeuralNet class has support for the following features/parameters support: - Activation Type - [Tanh](https://mathworld.wolfram.com/HyperbolicTangent.html) - [Relu](https://en.wikipedia.org/wiki/Rectifier_(neural_networks)) - [Sigmoid](https://en.wikipedia.org/wiki/Sigmoid_function) - Optimisers - [Nadam](https://openreview.net/pdf?id=OM0jvwB8jIp57ZJjtNEZ) - [Rmsprop]() - [Adam](https://arxiv.org/abs/1412.6980) - [Nesterov](https://paperswithcode.com/method/nesterov-accelerated-gradient) - [Momentum](https://en.wikipedia.org/wiki/Stochastic_gradient_descent#Momentum) - [SGD](https://en.wikipedia.org/wiki/Gradient_descent) - Variable batch sizes ( Batch Gradient Descent ) - Train - Cross Validation split - L2 Regularisation / Weight Decay

نیازمندی

مقدار	نام
>=1.18	numpy
>=4.1.0	tqdm

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl NNeuralNet-1.0:

pip install NNeuralNet-1.0.whl

نصب پکیج tar.gz NNeuralNet-1.0:

pip install NNeuralNet-1.0.tar.gz