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 simple and flexible python library that allows you to build custom Neural Networks where you can easily tweak parameters to change how your network behaves

ویژگی	مقدار
سیستم عامل	-
نام فایل	flexible-neural-network-0.0.42
نام	flexible-neural-network
نسخه کتابخانه	0.0.42
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Mohamed Abdou
ایمیل نویسنده	matex512@gmail.com
آدرس صفحه اصلی	https://github.com/Mohamed-512/Flexible_Neural_Net
آدرس اینترنتی	https://pypi.org/project/flexible-neural-network/
مجوز	-

# Flexible_Neural_Net A simple and flexible python library that allows you to build custom Neural Networks where you can easily tweak parameters to change how your network behaves ## Installation ```pip install flexible-neural-network``` ## Initialization * First initialize a Neural Net object and pass number of inputs, outputs, and hidden layers ```myNN = NeuralNet(number_of_inputs, number_of_outputs, number_of_hidden_layers)``` * You can choose how what _activation function_ to use from: "relu", "sigmoid, "tanh" ```myNN = NeuralNet(number_of_inputs, number_of_outputs, number_of_hidden_layers, activation_func="sigmoid")``` * You can choose modify the _learning rate_ ```myNN = NeuralNet(number_of_inputs, number_of_outputs, number_of_hidden_layers, learning_rate=0.1)``` * You can choose tweak the number of nodes in each _hidden layer_ * by assigning an integer number such as 3: _if there was 4 hidden layers then each layer will have 3 nodes => [3, 3, 3, 3]_ ```myNN = NeuralNet(number_of_inputs, number_of_outputs, number_of_hidden_layers, nodes_in_each_layer=3)``` * by assigning a list of integers number such as [3, 5, 2, 3] that has a length of *number_of_hidden_layers*: _if there was 4 hidden layers then each layer will have different number of nodes nodes correspondingly => [3, 5, 2, 3]_ ```myNN = NeuralNet(number_of_inputs, number_of_outputs, number_of_hidden_layers, nodes_in_each_layer=[3, 5, 2, 3])``` ## How to use #### Assuming you initialized your object and data as below: ```myNN = NeuralNet(2, 1, 2, nodes_in_each_layer=4, learning_rate=0.1, activation_func="sigmoid")``` ``` data = np.array([ [3, 1.5, 1], [2, 1, 0], [4, 1.5, 1], [3, 1, 0], [3.5, .5, 1], [2, .5, 0], [5.5, 1, 1], [1, 1, 0] ]) mystery_data = [2, 1] # should be classified as 1 ``` #### You can: _Here we specified the number of epochs to be 1_ * *Train single entries:* ```myNN.train(data[0, 0:2], data[0, 2], epochs=1)``` * *Train multiple entries* ```myNN.train_many(data[:, 0:2], data[:, 2], epochs=1)``` * *test single/multiple entries* ```output = myNN.test(mystery_flower)``` where output is always an np.ndarray with size as the specfied in the object's constructor. _for the current example it's = [1.45327823]_ * *Save NN for later* ```myNN.save("file_name")``` * *Load NN without the need for retraining* ```myNN = NeuralNet.load("file_name")``` Obviously NNs **do not** give exact answers and its our job to determine which class is it belongs to and judging from the training data we only have class 0, or 1 and the output we got is nearer to 1 than 0 so we should **classify it as 1**

نحوه نصب

نصب پکیج whl flexible-neural-network-0.0.42:

pip install flexible-neural-network-0.0.42.whl

نصب پکیج tar.gz flexible-neural-network-0.0.42:

pip install flexible-neural-network-0.0.42.tar.gz