DNI，用于Pythorch
pytorch-dni的Python项目详细描述
#使用合成梯度分离神经界面[构建状态]（https://travis-ci.org/ixaxaar/pytorch-dni.svg？branch=master）（https://travis-ci.org/ixaxaar/pytorch-dni）[！[PYPI版本]（https://badge.fury.io/py/dni.svg）]（https://badge.fury.io/py/pytorch dni）
<；！--启动DOCTOC生成的目录请在此处保留注释以允许自动更新-->；
<；！--不要编辑此部分，而是重新运行doctor以更新-->；
-[安装]（安装）
-[从源代码]（从源代码）
-[架构]（架构）
-[用法]（用法）
-[任务]
<；！--结束DOCTOC生成的TOC请在此处保留注释以允许自动更新-->；
这是使用合成梯度的[分离神经接口的实现，Jaderberg et al.](https://arxiv.org/abs/1608.05343).
## Install
```bash
pip install pytorch-dni
```
### From source
```
git clone https://github.com/ixaxaar/pytorch-dni
cd pytorch-dni
pip install -r ./requirements.txt
pip install -e .
```
## Architecure
<img src=“../docs/3-6.gif//>；
<
``python
从dni导入dni
>自定义网络，可以是任何扩展的nn.module，可以是任何扩展的nn.module，可以是任何扩展的nn.module，可以是任何网络网络的网络，可以是任何网络的网络，可以是网络的网络的网络，可以是网络的网络的网络，可以是网络的网络的网络扩展，可以是网络的网络的网络，可以是网络的网络的网络的网络的网络的网络扩展，可以是网络的网络的网络的网络的网络，可以是网络的网络的网络的优化网络的。网，在那之后，我们继续我们的日常工作
e in range（epoch）的e in range（epoch）的e in range（epoch）：
opt.zero_grad（）
output=net（输入，*args）
loss=crcrcrcriter（输出，目标输出）
loss.backward
opt.step（）
-nrnn_dni：堆叠的lstm、gru或rnn
-线性：2层线性模块
-线性：2层线性模块
-乙状结肠：2层线性，然后是乙状结肠
>定义初始化（自我，输入大小，隐藏大小，输出大小，**kwargs）：
超级（mydni，self）。\uu init（输入大小，隐藏大小，输出大小）
self.net={…您的自定义网络}
…
def forward（self，input，hidden）：
return self.net（input），none return（output，hidden），hidden可以是none
`````
除了他们在这里使用dni进行培训之外。
对于mse线性sg是一个合理的选择，但是对于日志丢失，应该使用包括sigmoid在内的体系结构，将sigmoid逐点应用于线性sg
<；！--启动DOCTOC生成的目录请在此处保留注释以允许自动更新-->；
<；！--不要编辑此部分，而是重新运行doctor以更新-->；
-[安装]（安装）
-[从源代码]（从源代码）
-[架构]（架构）
-[用法]（用法）
-[任务]
<；！--结束DOCTOC生成的TOC请在此处保留注释以允许自动更新-->；
这是使用合成梯度的[分离神经接口的实现，Jaderberg et al.](https://arxiv.org/abs/1608.05343).
## Install
```bash
pip install pytorch-dni
```
### From source
```
git clone https://github.com/ixaxaar/pytorch-dni
cd pytorch-dni
pip install -r ./requirements.txt
pip install -e .
```
## Architecure
<img src=“../docs/3-6.gif//>；
<
``python
从dni导入dni
>自定义网络，可以是任何扩展的nn.module，可以是任何扩展的nn.module，可以是任何扩展的nn.module，可以是任何网络网络的网络，可以是任何网络的网络，可以是网络的网络的网络，可以是网络的网络的网络，可以是网络的网络的网络扩展，可以是网络的网络的网络，可以是网络的网络的网络的网络的网络的网络扩展，可以是网络的网络的网络的网络的网络，可以是网络的网络的网络的优化网络的。网，在那之后，我们继续我们的日常工作
e in range（epoch）的e in range（epoch）的e in range（epoch）：
opt.zero_grad（）
output=net（输入，*args）
loss=crcrcrcriter（输出，目标输出）
loss.backward
opt.step（）
-nrnn_dni：堆叠的lstm、gru或rnn
-线性：2层线性模块
-线性：2层线性模块
-乙状结肠：2层线性，然后是乙状结肠
>定义初始化（自我，输入大小，隐藏大小，输出大小，**kwargs）：
超级（mydni，self）。\uu init（输入大小，隐藏大小，输出大小）
self.net={…您的自定义网络}
…
def forward（self，input，hidden）：
return self.net（input），none return（output，hidden），hidden可以是none
`````
除了他们在这里使用dni进行培训之外。
对于mse线性sg是一个合理的选择，但是对于日志丢失，应该使用包括sigmoid在内的体系结构，将sigmoid逐点应用于线性sg
欢迎加入QQ群-->： 979659372
