RiteNN - 另一个RustNN分支

RiteNN 提供了用Rust编写的神经网络库的更新版本。

描述

RustNN 是一个 前馈神经网络 库。该库生成完全连接的多层人工神经网络，通过 反向传播 进行训练。网络使用增量训练模式进行训练。

更新

• 由 @PsiACE
  • 更更新。
  • 使用flexbuffers代替json，更快更紧凑。
  • 让一切满意。
• 由 @Felix
  • 将L2正则化和几个激活函数添加到原始包中。此外，还有一些小的改进。
  • 可以像学习率一样设置Lambda。隐藏层和输出层的激活函数分别在NN::new的第二个和第三个参数中设置。

XOR示例

此示例创建了一个具有 2 个节点的输入层、一个包含 3 个节点的单个隐藏层以及 1 个节点的输出层的神经网络。然后，该网络在 XOR 函数的示例上进行训练。在调用 train(&examples) 之后调用的所有方法都是可选的，只是用来指定各种选项，以指示网络应该如何训练。当调用 go() 方法时，网络将开始训练给定的示例。请参阅 NN 和 Trainer 结构体的文档以获取更多详细信息。

use ritenn::{NN, HaltCondition, Activation};

// create examples of the XOR function
// the network is trained on tuples of vectors where the first vector
// is the inputs and the second vector is the expected outputs
let examples = [
    (vec![0f64, 0f64], vec![0f64]),
    (vec![0f64, 1f64], vec![1f64]),
    (vec![1f64, 0f64], vec![1f64]),
    (vec![1f64, 1f64], vec![0f64]),
];

// create a new neural network by passing a pointer to an array
// that specifies the number of layers and the number of nodes in each layer
// in this case we have an input layer with 2 nodes, one hidden layer
// with 3 nodes and the output layer has 1 node
let mut net = NN::new(&[2, 3, 1], Activation::PELU, Activation::Sigmoid);
    
// train the network on the examples of the XOR function
// all methods seen here are optional except go() which must be called to begin training
// see the documentation for the Trainer struct for more info on what each method does
net.train(&examples)
    .halt_condition( HaltCondition::Epochs(10000) )
    .log_interval( Some(100) )
    .momentum( 0.1 )
    .rate( 0.3 )
    .go();
    
// evaluate the network to see if it learned the XOR function
for &(ref inputs, ref outputs) in examples.iter() {
    let results = net.run(inputs);
    let (result, key) = (results[0].round(), outputs[0]);
    assert!(result == key);
}

致谢

它是 nn 和 Felix-Dommes/RustNN 的分支，但已对代码进行了调整和改进。

许可

本库的许可协议为

• MIT许可证 LICENSE-MIT 或 http://opensource.org/licenses/MIT
• Apache License 2.0 LICENSE-APACHE 或 https://opensource.org/licenses/Apache-2.0

由您选择。