Šolski projekt v katerem bom naredil svojo nevronsko mrežo brez uporabe že narejenih knjižnic (razen Numpy za hitrejše množenje matrik).
Vsa koda za nevronsko mrežo, ki jo uporablja demo.ipynb je v ./src.
pip install -r requirements.txt
(Vbistvu je za dejanski network potrebno naložiti samo Numpy zato je bolj relevanten za demo.ipynb, kjer sem uporabljal keras, da sem naložil MNIST databazo.)
net = Network()
Da pokličemo Network.
net.addInputLayer(dim_0)
Da dodamo nov input layer (to je potrebno preden kličemo .addLayer()).
net.addLayer(dim_L,<kernel>)
Da dodamo celotno povezan hidden (ali zadnji) layer.
<kernel> je eden izmed kernelov. Ko kličemo funkcijo dobimo kateri kerneli so na voljo - več podatkov v README.md v ./src.
net.train(X,Y)
kjer sta X,Y vhodna in izhodna vektorja (iz databaze na kateri treniramo).
y.shape[1] mora biti enaka dim_0.
x.shape[1] mora biti enaka dim_L.
net.predict(x)
S tem pridemo do dejanskega predloga mreže (vizualno prikazano v demotu).
Nauči se:
90% accuracy po 10 epochih.
Ni implementiranega dropout-a tako, da zna priti do overfita.
- https://www.youtube.com/watch?v=tIeHLnjs5U8
- https://en.wikipedia.org/wiki/Backpropagation
- https://www.guru99.com/backpropogation-neural-network.html
- https://medium.com/@udaybhaskarpaila/multilayered-neural-network-from-scratch-using-python-c0719a646855
- https://mlfromscratch.com/neural-network-tutorial/#/ (accuracy function)
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent