仅使用numpy从头构建神经网络, 包括如下内容(持续更新中....)

0. 网络中梯度反向传播公式推导

1. 层：FC层,卷积层,池化层,Flatten

2. 激活函数: ReLU、LeakyReLU、PReLU、ELU、SELU

3. 损失函数：均方差、交叉熵

4. 模型的保存、部署

5. 案例学习：线性回归、图像分类

6. 迁移学习、模型精调

7. 进阶：RNN、LSTM、GRU、BN

[TOC]

环境：python 3.6.x

依赖：numpy>=1.15.0、Cython、jupyter

a) 下载

git clone https://github.com/yizt/numpy_neuron_network

b) 编译nn/clayers.pyx

cd numpy_neuron_network
python setup.py build_ext -i

c) 启动工程,所有的notebook都可以直接运行

jupyter notebook --allow-root --ip 0.0.0.0

0_1-全连接层、损失函数的反向传播 、csdn地址

0_2_1-卷积层的反向传播-单通道、无padding、步长1 、csdn地址

0_2_2-卷积层的反向传播-多通道、无padding、步长1 、csdn地址

0_2_3-卷积层的反向传播-多通道、无padding、步长不为1 、csdn地址

0_2_4-卷积层的反向传播-多通道、有padding、步长不为1 、csdn地址

0_2_5-池化层的反向传播-MaxPooling、AveragePooling、GlobalAveragePooling、GlobalMaxPooling 、csdn地址

0_3-激活函数的反向传播-ReLU、LeakyReLU、PReLU、ELU、SELU 、csdn地址

0_4-优化方法-SGD、AdaGrad、RMSProp、Adadelta、Adam 、csdn地址

1_1_1-全连接神经网络做线性回归 、csdn地址

1_1_2-全连接神经网络做mnist手写数字识别 、csdn地址

2_1-numpy卷积层实现 、csdn地址

2_2-numpy池化层实现 、csdn地址

2_3-numpy-cnn-mnist手写数字识别 、csdn地址

2_4-对抗神经网络 、csdn地址

模型的保存、部署

精调网络

5-1-RNN反向传播

5-2-LSTM反向传播

5-3-GRU反向传播

5-4-RNN、LSTM、GRU实现

5-5-案例-lstm连续文字识别

6-1-Batch Normalization反向传播

6-2-Batch Normalization实现