|Travis|_ |覆盖率|_ |依赖状态|_ |许可证|_

.. |Travis| image:: https://api.travis-ci.org/itdxer/neupy.png?branch=master .. _Travis: https://travis-ci.org/itdxer/neupy

.. |依赖状态| image:: https://dependencyci.com/github/itdxer/neupy/badge .. _依赖状态: https://dependencyci.com/github/itdxer/neupy

.. |许可证| image:: https://img.shields.io/badge/license-MIT-blue.svg .. _许可证: https://github.com/itdxer/neupy/blob/master/LICENSE

.. |覆盖率| image:: https://codecov.io/gh/itdxer/neupy/branch/master/graph/badge.svg .. _覆盖率: https://codecov.io/gh/itdxer/neupy

:warning: 该库已不再积极维护，请在将其用于您的项目之前慎重考虑 :warning:

.. raw:: html

<div align="center">
    <a href="http://neupy.com/2017/12/17/sofm_text_style.html">
    <img width="80%" src="https://oss.gittoolsai.com/images/itdxer_neupy_readme_56dd8964ef64.png">
    </a>
</div>

NeuPy v0.8.2

NeuPy 是一个用于神经网络原型设计和构建的 Python 库。NeuPy 使用 TensorFlow 作为深度学习模型的计算后端。

安装

.. code-block:: bash

$ pip install neupy

用户指南

• 安装 NeuPy <http://neupy.com/pages/installation.html>_
• 查看 教程 <http://neupy.com/docs/tutorials.html>_
• 在 文档 <http://neupy.com/pages/documentation.html>_ 中了解更多关于 NeuPy 的信息
• 探索各种不同的 神经网络算法 <http://neupy.com/pages/cheatsheet.html>_。
• 阅读 文章 <http://neupy.com/archive.html>_，进一步了解神经网络。
• 浏览 问题列表 <https://github.com/itdxer/neupy/issues>_ 并提出问题。

文章与笔记本

.. raw:: html

<table border="0">
    <tr>
        <td border="0" width="30%">
            <a href="http://neupy.com/2018/03/26/making_art_with_growing_neural_gas.html#id1">
            <img src="https://oss.gittoolsai.com/images/itdxer_neupy_readme_d4e8785e72d5.gif">
            </a>
        </td>
        <td border="0" valign="top">
            <h3><a href="http://neupy.com/2018/03/26/making_art_with_growing_neural_gas.html#id1">生长型神经气</a></h3>
            <p>生长型神经气是一种能够学习数据拓扑结构的算法。</p>
            <p>生成动画的代码可以在 <a href="https://github.com/itdxer/neupy/blob/master/notebooks/growing-neural-gas/Growing%20Neural%20Gas%20animated.ipynb">这个 IPython 笔记本</a>中找到。</p>
        </td>
    </tr>
    <tr>
        <td border="0" width="30%">
            <a href="http://neupy.com/2018/03/26/making_art_with_growing_neural_gas.html">
            <img src="https://oss.gittoolsai.com/images/itdxer_neupy_readme_d564021142d7.png">
            </a>
        </td>
        <td border="0" valign="top">
            <h3><a href="http://neupy.com/2018/03/26/making_art_with_growing_neural_gas.html">用生长型神经气创作艺术</a></h3>
            <p>生长型神经气是另一个遵循简单规则集的算法示例，在大规模下可以生成复杂的模式。</p>
            <p>左侧的图像就是一个由简单规则集生成的艺术风格的绝佳例子。</p>
            <p>生成该图像的主要笔记本可以在 <a href="https://github.com/itdxer/neupy/blob/master/notebooks/growing-neural-gas/Making%20Art%20with%20Growing%20Neural%20Gas.ipynb">这里</a>找到。</p>
        </td>
    </tr>
    <tr>
        <td border="0" width="30%">
            <a href="http://neupy.com/2017/12/09/sofm_applications.html">
            <img src="https://oss.gittoolsai.com/images/itdxer_neupy_readme_cbdf264d918c.png">
            </a>
        </td>
        <td border="0" valign="top">
            <h3><a href="http://neupy.com/2017/12/09/sofm_applications.html">自组织映射及其应用</a></h3>
            <p>
                自组织映射（SOM 或 SOFM）是一种非常简单而强大的算法，具有广泛的应用。本文介绍了一些应用，包括：

• 卷积神经网络的可视化
• 数据拓扑结构学习
• 高维数据可视化
• 聚类

基于预训练VGG19的CNN可视化

本笔记本展示了如何轻松探索卷积网络预测背后的原因，并理解网络不同层中学习到了哪些类型的特征。

此外，本笔记本还演示了如何在NeuPy中使用具有预训练参数的神经网络架构，例如VGG19。

基于反向传播算法的可视化

左侧图片展示了不同算法在下降路径上所走的轨迹对比。有趣的是，仅从简单的轨迹路径中就能提取出关于算法的大量信息。文章对这些内容进行了全面介绍和解释。

神经网络的超参数优化

本文介绍了多种超参数优化方法。

• 网格搜索
• 随机搜索
• 手动调参
• 基于期望改进的高斯过程
• 树结构Parzen估计器（TPE）

SOFM的艺术

在这篇文章中，我想展示神经网络有时可以多么美丽。我认为，很少有算法不仅能从数据中提取知识，还能在不作任何修改的情况下，利用相同的训练规则创造出美丽的作品。

离散霍普菲尔德网络

本文提供了关于离散霍普菲尔德网络的丰富理论背景，并包含一个示例，展示了该算法的优势和局限性。

左侧图片是网络中存储信息的可视化。这张图不仅展示了网络的记忆，也呈现了网络对世界的全部认知。

用SOFM创建独特的文本风格

本文描述了一种逐步解决方案，可用于生成任意文本的独特风格。

玩转MLP可视化

本笔记本展示了深入观察MLP网络内部的有趣方法。

用价值迭代网络（VIN）探索世界

这是价值迭代网络的一个基本应用，它能够学习在存在障碍物的环境中找到两点之间的最优路径。

受限玻尔兹曼机（RBM）学到的特征

这是一组使用并探索受限玻尔兹曼机所提取知识的示例。

NeuPy 快速上手指南

⚠️ 重要提示：该库目前已不再积极维护。在将其用于生产项目前，请充分考虑此风险。建议仅用于学习、原型验证或研究特定经典算法（如 SOM、GNG 等）。

NeuPy 是一个基于 Python 的神经网络原型构建库，底层使用 TensorFlow 作为计算后端，特别适合快速实现和实验各种神经网络算法。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.6 - 3.8（鉴于库的维护状态，过高版本的 Python 可能存在兼容性问题）
• 前置依赖：
  • pip (Python 包管理工具)
  • TensorFlow (NeuPy 将自动处理或依赖其进行计算)

2. 安装步骤

您可以使用 pip 直接安装 NeuPy。国内开发者建议使用清华或阿里镜像源以加速下载。

标准安装命令：

pip install neupy

使用国内镜像源加速安装（推荐）：

pip install neupy -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

Neupy 的设计初衷是简化神经网络的构建过程。以下是一个最简单的示例，展示如何创建一个多层感知机（MLP）并进行训练。

简单示例：构建并训练一个 MLP

from neupy import algorithms

# 定义训练数据 (异或问题 XOR)
input_data = [[0, 0], [0, 1], [1, 0], [1, 1]]
target_data = [[0], [1], [1], [0]]

# 初始化网络
# 架构：2 个输入神经元 -> 5 个隐藏层神经元 (Sigmoid 激活) -> 1 个输出神经元
network = algorithms.BackPropagation(
    (2, 5, 1),
    verbose=False,
    step=0.1,
    shuffle_data=True
)

# 训练网络
network.train(input_data, target_data, epochs=1000)

# 预测结果
prediction = network.predict(input_data)
print("预测结果:")
print(prediction)

下一步学习

由于本库功能丰富但已停止更新，建议参考以下资源深入理解特定算法的实现细节：

• 官方教程：访问 NeuPy Tutorials 查看更详细的用例。
• 算法速查表：查阅 Cheatsheet 了解支持的神经网络算法列表（包括 SOM, GNG, RBM 等）。
• 示例代码：探索 GitHub 仓库中的 notebooks 和 examples 目录，那里包含了大量关于可视化、艺术生成及强化学习的完整代码示例。