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

A Neural Network Module to create Custom Dense Neural Networks

ویژگی	مقدار
سیستم عامل	-
نام فایل	custom-neural-net-creator-1.0
نام	custom-neural-net-creator
نسخه کتابخانه	1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Yogesh Seenichamy
ایمیل نویسنده	yogeshseeni60@gmail.com
آدرس صفحه اصلی	https://github.com/YogeshSeeni/NeuralNetworkModule
آدرس اینترنتی	https://pypi.org/project/custom-neural-net-creator/
مجوز	MIT

# Custom Neural Net Creator This module allows users to simply create neural networks by adding the types of layers needed. ## Example This is an example of how to use this module on a the classic XOR Problem ```python import numpy as np from custom_neural_net_creator.model import Model from custom_neural_net_creator.dense import Dense from custom_neural_net_creator.activation_layer import ActivationLayer from custom_neural_net_creator.activation_functions import relu, relu_derivative, sigmoid, sigmoid_derivative, tanh, tanh_prime from custom_neural_net_creator.loss_functions import mean_squared_error, mean_squared_error_derivative #Input data for XOR x = np.array([[[0,0]], [[0,1]], [[1,0]], [[1,1]]]) y = np.array([[[0]], [[1]], [[1]], [[0]]]) model = Model() model.add(Dense(2, 10)) #Input takes in two inputs model.add(ActivationLayer(relu, relu_derivative)) #First hidden layer has 10 neurons and uses RELU model.add(Dense(10, 10)) model.add(ActivationLayer(relu, relu_derivative)) #Second hidden layer has 10 neurons and uses RELU model.add(Dense(10,1)) model.add(ActivationLayer(sigmoid, sigmoid_derivative)) #Output layer is one neuron with Sigmoid as activation #Train on training data model.fit(x,y,mean_squared_error,mean_squared_error_derivative,epochs=1000,learning_rate=0.1,verbosity=3) #Loss of Epoch #1000: 0.0002757698731393589 #Test model predictions = model.predict(x[0:3]) print("Predicted: ") print(predictions) #Predicted: [array([[0.02610931]]), array([[0.98778214]]), array([[0.9873547]])] print("Actual:") print(y[0:3]) # Actual: # [[[0]] # [[1]] # [[1]]] ```

نحوه نصب

نصب پکیج whl custom-neural-net-creator-1.0:

pip install custom-neural-net-creator-1.0.whl

نصب پکیج tar.gz custom-neural-net-creator-1.0:

pip install custom-neural-net-creator-1.0.tar.gz