100行Python代码，轻松搞定神经网络

正如我们前面提到的，我们将需要定义批样本的损失函数和梯度。一个典型的例子是MSE，它被常用在回归问题里，我们可以这样实现它：

def mse_loss(Yp, Yt): 
  diff = Yp - Yt 
  return np.square(diff).mean(), 2 * diff / len(diff) 

就差一点了!现在，我们定义了两种层，以及合并它们的方法，下面如何训练呢?我们可以使用类似于scikit-learn或者Keras中的API。

class Learner(): 
  def __init__(self, model, loss, optimizer): 
    self.model = model 
    self.loss = loss 
    self.optimizer = optimizer 
 
  def fit_batch(self, X, Y): 
    Y_, backward = self.model.forward(X) 
    L, D = self.loss(Y_, Y) 
    backward(D) 
    self.model.update(self.optimizer) 
    return L 
 
  def fit(self, X, Y, epochs, bs): 
    losses = [] 
    for epoch in range(epochs): 
      p = np.random.permutation(len(X)) 
      X, Y = X[p], Y[p] 
      loss = 0.0 
      for i in range(0, len(X), bs): 
        loss += self.fit_batch(X[i:i + bs], Y[i:i + bs]) 
      losses.append(loss) 
    return losses 

这就行了!如果你跟随着我的思路，你可能就会发现其实有几行代码是可以被省掉的。

这代码能用不?

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!