没有学习悬崖的深层神经网络!与scikit learn兼容的包装库。
scikit-neuralnetwork的Python项目详细描述
orphan: |
---|
scikit神经网络
没有学习悬崖的深层神经网络实现!这个库实现了多层感知器,作为功能强大的Lasagne库的包装器,它与scikit-learn兼容,可以提供更友好的用户界面和pythonic界面。
注意:由于7月18-20日的nucl.ai Conference,这个项目是可能的。加入我们维也纳!
功能
由于底层的Lasagne实现,此库支持以下神经网络功能,这些功能在直观的well documentedapi中公开:
- 激活函数-
- 非线性:Sigmoid,Tanh,Rectifier。
- 线性:Linear,Gaussian,Softmax。
- 层类型-Convolution(灰度和颜色,2d),Dense(标准,1d)。
- 学习规则-sgd,momentum,nesterov,adadelta,adagrad,rmsprop。
- 正则化-L1、L2和dropout。
- dataset格式-numpy.ndarray,scipy.sparse,即将推出:迭代器。
如果缺少所需的功能,请考虑打开一个GitHub Issue并详细解释用例,我们将看到我们可以做什么。
安装
要下载和设置最新的官方版本,可以直接从pypi下载和设置:
> pip install scikit-neuralnetwork
这将安装Lasagne
的副本作为依赖项。我们建议您使用python的虚拟环境。
然后,可以使用nosetests -v sknn运行测试,其他示例或基准测试可以在examples/文件夹中找到。
开始
该库支持回归器(估计输入的连续输出)和分类器(预测特征的标签)。这是与sklearn兼容的api:
fromsknn.mlpimportClassifier,Layernn=Classifier(layers=[Layer("Rectifier",units=100),Layer("Linear")],learning_rate=0.02,n_iter=10)nn.fit(X_train,y_train)y_valid=nn.predict(X_valid)score=nn.score(X_test,y_test)
generated documentation作为一个独立页面,您可以在其中找到有关参数的更多信息,以及User Guide中的示例。