Python中的深度学习

DeepPy 是一个基于 NumPy 构建的、具有 Python 风格的深度学习框架（支持 CUDA 加速）。

更多内容请访问初步网站。

DeepPy 快速上手指南

DeepPy 是一个基于 NumPy（支持 CUDA 加速）构建的 Python 风格深度学习框架。本指南将帮助你快速搭建环境并运行第一个示例。

环境准备

在开始之前，请确保你的系统满足以下要求：

• 操作系统：Linux 或 macOS（Windows 需通过 WSL 或类似环境运行）。
• Python 版本：推荐 Python 3.6+。
• 核心依赖：
  • NumPy：基础数值计算库。
  • cudarray（可选）：如果你拥有 NVIDIA GPU 并希望启用 CUDA 加速，需要安装此依赖及对应的 CUDA Toolkit。

安装步骤

你可以使用 pip 直接从 GitHub 源码安装最新版本的 DeepPy。

1. 安装基础版本（仅 CPU）

pip install git+https://github.com/andersbll/deeppy.git

国内加速建议：如果下载速度较慢，可配置国内镜像源（如清华源）进行安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple git+https://github.com/andersbll/deeppy.git

2. 安装 GPU 加速版本（可选）

若需使用 CUDA 加速，请先确保已安装 cudarray，然后再安装 DeepPy：

# 先安装 cudarray (需预先安装好 CUDA Toolkit)
pip install git+https://github.com/andersbll/cudarray.git

# 再安装 deeppy
pip install git+https://github.com/andersbll/deeppy.git

基本使用

以下是一个最简单的示例，展示如何定义一个简单的神经网络模型并进行前向传播。

import numpy as np
import deeppy as dp

# 1. 准备数据 (简单的 XOR 问题示例)
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=np.float32)
y = np.array([[0], [1], [1], [0]], dtype=np.float32)

# 2. 构建网络结构
# 输入层 -> 隐藏层 (ReLU 激活) -> 输出层 (Sigmoid 激活)
layers = [
    dp.fc(input_size=2, output_size=4, activation=dp.ReLU()),
    dp.fc(input_size=4, output_size=1, activation=dp.Sigmoid())
]

network = dp.NeuralNetwork(layers)

# 3. 设置优化器并训练
optimizer = dp.SGD(network, learning_rate=0.1)

print("开始训练...")
for epoch in range(1000):
    loss = optimizer.train(X, y)
    if epoch % 100 == 0:
        print(f"Epoch {epoch}, Loss: {loss:.4f}")

# 4. 预测结果
predictions = network.predict(X)
print("\n预测结果:")
for i, pred in enumerate(predictions):
    print(f"输入: {X[i]} -> 预测: {pred[0]:.4f} (真实值：{y[i][0]})")

运行上述代码后，你将看到模型逐步收敛并输出接近真实值的预测结果。