NeuralNetwork-Numpy
代碼下載鏈接：代碼下載

模式識別 使用numpy進行深度學習

內容請參照 main.ipynb

網絡核心

net.py
conv.py

使用方法

定義網絡

from net import ConvNet
net = ConvNet()
if not net.load(MODEL_PATH):
net.addConvLayout([3,3,1,4],bias = True,padding='VAILD',init_type=init_type,st_func='LEAKY_RELU_0.01')
net.addConvLayout([3,3,4,8],bias = True,padding='VAILD',init_type=init_type,st_func='LEAKY_RELU_0.01')
net.addConvLayout([5,5,8,16],bias = True,padding='VAILD',init_type=init_type,st_func='LEAKY_RELU_0.01')
net.addConvLayout([5,5,16,32],bias = True,padding='VAILD',init_type=init_type,st_func='LEAKY_RELU_0.01')
net.addConvLayout([16,16,32,64],bias = True,padding='VAILD',st_func='SIGMOID',init_type=init_type)
net.addConvLayout([1,1,64,10],bias = True,padding='VAILD',st_func='SIGMOID',init_type=init_type)

addData()：添加數據
addConvLayout()：在當前網絡最後面添加一層網絡

支持卷積層，全連接層，Batch Normalization層

激活函數支持sigmoid,leaky_relu_alpha,alpha可以為任意值

regress()：回歸

支持MSE和交叉熵 支持多種優化器（SGD,Nesterov,RMSProp）

count()：計算各層輸出
save()：保存權值
load()：讀取權值

運行mnist_train體驗訓練

test.py的可視化輸出

網絡結構輸出

print(net) 輸出網絡結構

注:輸入前需addData()，並count一次

mnist可視化輸出

運行mnist_visual_test.py可測試mnist數據集
model文件夾內為mnist訓練的模型，最新的模型只在batch_size=30的情況下訓練了400次，我們在測試集上測試准確率達到了:95.38%。使用的模型結構如上圖所示，4層卷積層+2層全連接層。

運行main.ipynb進行個性化測試