Paradox小型深度学习框架
Paradox 是一个用 Python 3 和 numpy 实现一个简单的深度学习框架,了解流行框架的原理。
示例代码:
import numpy as np import matplotlib.pyplot as plt import paradox as pd # 随机生成点的个数。 points_sum = 200 x_data = [] y_data = [] # 生成y = 2 * x + 1直线附近的随机点。 for _ in range(points_sum): x = np.random.normal(0, 2) y = x * 2 + 1 + np.random.normal(0, 2) x_data.append(x) y_data.append(y) x_np = np.array(x_data) y_np = np.array(y_data) # 定义符号。 X = pd.Constant(x_np, name='x') Y = pd.Constant(y_np, name='y') w = pd.Variable(0, name='w') b = pd.Variable(1, name='b') # 使用最小二乘误差。 loss = pd.reduce_mean((w * X + b - Y) ** 2) # 创建loss计算引擎,申明变量为w和b。 loss_engine = pd.Engine(loss, [w, b]) # 梯度下降optimizer。 optimizer = pd.GradientDescentOptimizer(0.00005) # 迭代100次最小化loss。 for epoch in range(100): optimizer.minimize(loss_engine) loss_value = loss_engine.value() print('loss = {:.8f}'.format(loss_value)) # 获取w和b的训练值。 w_value = pd.Engine(w).value() b_value = pd.Engine(b).value() # 绘制图像。 plt.title('Paradox implement Linear Regression') plt.plot(x_data, y_data, 'ro', label='Data') plt.plot(x_data, w_value * x_data + b_value, label='Regression') plt.legend() plt.show()
运行结果:
评论
Mrdflow深度学习框架
MrdFlow的定位是基于NumPy的深度学习框架,采用自动微分作为求导算法,支持多种运算求导。MrdFlow内置神经网络模块,可以使用MrdFlow提供的Api,编写神经网络,并进行训练。软件地址:
Mrdflow深度学习框架
0
Caffe深度学习框架
Caffe是一个深度学习框架,由表达式,速度和模块化组成。Caffe是BerkeleyVisionandLearningCenter(BVLC)社区贡献者开发的。在线演示:http://demo.ca
Caffe深度学习框架
0
EDL弹性深度学习框架
EDL是一个弹性深度学习框架,其包含一个KubernetesController、PaddlePaddleauto-scaler(可以根据集群中的空闲硬件资源改变分布式任务进程的数目)以及一个新的容错
EDL弹性深度学习框架
0