居然用 Numpy 实现了一个深度学习框架-技术圈

今天跟大家分享一个牛逼的开源项目，该项目只用Numpy就实现了一个深度学习框架。

它不是一个demo，而是一个实实在在能应用的深度学习框架，它的语法与PyTorch一致，用它可以实现CNN、RNN、DNN等经典的神经网络。

该框架对正在学习深度学习的朋友非常友好，因为它的代码量不到 2000 行，大家完全可以通过阅读源码来深入了解神经网络内部的细节。

如果大家读完源码自己也能做一个类似的深度学习框架，就更完美了。

1. 与 PyTorch 对比

接下来，我用该框架搭建一个简单的神经网络，并与PyTorch对比。

我们用这个神经网络来实现线性回归：

用下面的函数来生成训练样本

def synthetic_data(w, b, num_examples): 
    """生成y=w1*x1+w2*x2+b训练样本"""
    X = np.random.normal(0, 1, (num_examples, len(w)))
    y = np.dot(X, w) + b
    y += np.random.normal(0, 0.01, y.shape)
    return X, y.reshape((-1, 1))

w = np.array([2, -3.4])
b = 4.2
features, labels = synthetic_data(w, b, 1000)

这里我们令w1=2、w2=-3.4、b=4.2，随机生成1000个训练样本，x1、x2存放在features变量中，y存放在labels变量中。

下面我们要做的是将这些样本输入神经网络中，训练出参数w1、w2和b，我们希望模型训练出来的参数跟实际的w1、w2和b越接近越好。

先用PyTorch来搭建神经网络，并训练模型。

from torch import nn, Tensor
import torch

# 只有一个神经元，并且是线性神经元
# 2代表有2个特征（x1、x2），1代表输出1个特征（y）
net = nn.Linear(2, 1)

print(f'初始w：{net.weight.data}')
print(f'初始b：{net.bias.data}')

# 用均方误差作为线性回归损失函数
loss = nn.MSELoss()
# 采用梯度下降算法优化参数，lr是学习速率
trainer = torch.optim.SGD(net.parameters(), lr=0.03)

# 转 Tensor
X = Tensor(features)
y = Tensor(labels)

# 迭代次数
num_epochs = 300
for epoch in range(num_epochs):
    l = loss(net(X), y)  # 计算损失
    trainer.zero_grad()
    l.backward()  # 反向传播，求导
    trainer.step()  # 更新参数
    l = loss(net(X), y) # 参数更新后，再次计算损失
    print(f'epoch {epoch + 1}, loss {round(float(l.data), 8)}')

print(f'模型训练后的w：{net.weight.data}')
print(f'模型训练后的b：{net.bias.data}')

这里我们用的是最简单的神经网络，只有一个神经元。

代码也比较简单，每行都做了注释。

输出的结果也是符合我们的预期，输出的损失如下：

epoch 1, loss 33.65092468
epoch 2, loss 29.78330231
epoch 3, loss 26.36030769
...
epoch 298, loss 0.0001022
epoch 299, loss 0.0001022
epoch 300, loss 0.0001022

前几轮损失比较大，等迭代300次后，损失已经非常小了。再看训练出来的参数：

初始w：tensor([[0.5753, 0.6624]])
初始b：tensor([-0.5713])
...
模型训练后的w：tensor([[ 1.9995, -3.4001]])
模型训练后的b：tensor([4.1998])

可以看到，经过训练后，模型的参数与设定的参数也是非常接近的。

下面，我们再用今天介绍的框架再来实现一遍。

from pydynet import nn, Tensor
from pydynet.optimizer import SGD

net = nn.Linear(2, 1)

print(f'初始w：{net.weight.data}')
print(f'初始b：{net.bias.data}')


loss = nn.MSELoss()
trainer = SGD(net.parameters(), lr=0.03)

X = Tensor(features)
y = Tensor(labels)

num_epochs = 300
for epoch in range(num_epochs):
    l = loss(net(X), y)  # 计算损失
    trainer.zero_grad()
    l.backward()  # 反向传播，求导
    trainer.step()  # 更新参数
    l = loss(net(X), y)  # 参数更新后，再次计算损失
    print(f'epoch {epoch + 1}, loss {round(float(l.data), 8)}')
    
print(f'模型训练后的w：{net.weight.data}')
print(f'模型训练后的b：{net.bias.data}')

代码从pydynet目录引入的，可以看到，用法跟PyTorch几乎是一模一样，输出参数如下：

初始w：[[-0.25983338]
 [-0.29252936]]
初始b：[-0.65241649]

...

模型训练后的w：[[ 2.00030734]
 [-3.39951581]]
模型训练后的b：[4.20060585]

训练出来的结果也是符合预期的。

2. 项目结构

pydynet项目架构如下：

目前只有 5 个 Python源文件，不到 2000 行代码。

第一小节我们只实现最简单的神经网络，其他经典的神经网络，也有源码，大家可以自行查阅

项目地址：https://github.com/Kaslanarian/PyDyNet

我非常喜欢这个项目，佩服这个项目的作者。如果你也正好在学习人工智能，强烈建议学习学习这个项目。

希望今天的内容对你有用，感谢你的关注，我将持续分享优秀的 AI 项目。

--end--

扫码即可加我微信

学习交流

老表朋友圈经常有赠书/红包福利活动