python神經網路庫

❶ DMTK，兩套開源機器學習系統各有哪些特點

1.Scikit-learnScikit-learn是基於Scipy為機器學習建造的的一個python模塊，他的特色就是多樣化的分類，回歸和聚類的演算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林，GradientBoosting，聚類演算法和DBSCAN。而且也設計出了Pythonnumerical和.Pylearn2Pylearn是一個讓機器學習研究簡單化的基於Theano的庫程序。3.NuPICNuPIC是一個以HTM學習演算法為工具的機器智能平台。HTM是皮層的精確計算方法。HTM的核心是基於時間的持續學習演算法和儲存和撤銷的時空模式。NuPIC適合於各種各樣的問題,尤其是檢測異常和預測的流數據來源。4.NilearnNilearn是一個能夠快速統計學習神經影像數據的Python模塊。它利用Python語言中的scikit-learn工具箱和一些進行預測建模，分類，解碼，連通性分析的應用程序來進行多元的統計。5.PyBrainPybrain是基於Python語言強化學習，人工智慧，神經網路庫的簡稱。它的目標是提供靈活、容易使用並且強大的機器學習演算法和進行各種各樣的預定義的環境中測試來比較你的演算法。6.PatternPattern是Python語言下的一個網路挖掘模塊。它為數據挖掘，自然語言處理，網路分析和機器學習提供工具。它支持向量空間模型、聚類、支持向量機和感知機並且用KNN分類法進行分類。7.FuelFuel為你的機器學習模型提供數據。他有一個共享如MNIST,CIFAR-10(圖片數據集),Google』sOneBillionWords(文字)這類數據集的介面。你使用他來通過很多種的方式來替代自己的數據。8.BobBob是一個免費的信號處理和機器學習的工具。它的工具箱是用Python和C++語言共同編寫的，它的設計目的是變得更加高效並且減少開發時間，它是由處理圖像工具,音頻和視頻處理、機器學習和模式識別的大量軟體包構成的。9.SkdataSkdata是機器學習和統計的數據集的庫程序。這個模塊對於玩具問題，流行的計算機視覺和自然語言的數據集提供標準的Python語言的使用。10.MILKMILK是Python語言下的機器學習工具包。它主要是在很多可得到的分類比如SVMS,K-NN,隨機森林，決策樹中使用監督分類法。它還執行特徵選擇。這些分類器在許多方面相結合,可以形成不同的例如無監督學習、密切關系金傳播和由MILK支持的K-means聚類等分類系統。11.IEPYIEPY是一個專注於關系抽取的開源性信息抽取工具。它主要針對的是需要對大型數據集進行信息提取的用戶和想要嘗試新的演算法的科學家。12.QuepyQuepy是通過改變自然語言問題從而在資料庫查詢語言中進行查詢的一個Python框架。他可以簡單的被定義為在自然語言和資料庫查詢中不同類型的問題。所以，你不用編碼就可以建立你自己的一個用自然語言進入你的資料庫的系統。現在Quepy提供對於Sparql和MQL查詢語言的支持。並且計劃將它延伸到其他的資料庫查詢語言。13.HebelHebel是在Python語言中對於神經網路的深度學習的一個庫程序，它使用的是通過PyCUDA來進行GPU和CUDA的加速。它是最重要的神經網路模型的類型的工具而且能提供一些不同的活動函數的激活功能，例如動力，涅斯捷羅夫動力，信號丟失和停止法。14.mlxtend它是一個由有用的工具和日常數據科學任務的擴展組成的一個庫程序。15.nolearn這個程序包容納了大量能對你完成機器學習任務有幫助的實用程序模塊。其中大量的模塊和scikit-learn一起工作，其它的通常更有用。16.RampRamp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而能夠快速有效地實施演算法和轉換。17.FeatureForge這一系列工具通過與scikit-learn兼容的API，來創建和測試機器學習功能。這個庫程序提供了一組工具，它會讓你在許多機器學習程序使用中很受用。當你使用scikit-learn這個工具時，你會感覺到受到了很大的幫助。（雖然這只能在你有不同的演算法時起作用。）18.REPREP是以一種和諧、可再生的方式為指揮數據移動驅動所提供的一種環境。它有一個統一的分類器包裝來提供各種各樣的操作，例如TMVA,Sklearn,XGBoost,uBoost等等。並且它可以在一個群體以平行的方式訓練分類器。同時它也提供了一個互動式的情節。19.Python學習機器樣品用亞馬遜的機器學習建造的簡單軟體收集。20.Python-ELM這是一個在Python語言下基於scikit-learn的極端學習機器的實現。

❷ 怎麼用python 中brian包進行神經網路簡化模型

著作權歸作者所有。
商業轉載請聯系作者獲得授權，非商業轉載請註明出處。
作者：王贇 Maigo
鏈接：http://www.hu.com/question/28606380/answer/41442872
來源：知乎

就我所知，Python有一個Theano庫可以利用GPU進行矩陣運算和符號求導，在此基礎上有PDNN等專門訓練神經網路的工具包（PDNN是我實驗室的同學開發的~）。

Matlab那邊我不了解，隨便搜了一下發現了一個Deep Neural Networks for Matlab。因為沒有用過，所以不好評價。

❸ python神經網路編程有什麼用

預測器
神經網路和計算機一樣，對於輸入和輸出都做了一些處理，當我們不知道這些是什麼具體處理的時候，可以使用模型來估計，模型中最重要的就是其中的參數。
對於以前所學的知識都是求出特定的參數，而在這里是使用誤差值的大小去多次指導參數的調整，這就是迭代。
誤差值=真實值-計算值
分類器
預測器是轉換輸入和輸出之間的關系，分類器是將兩類事物劃分開，只是預測器的目的是找到輸出在直線上，分類器是找到輸出分為兩類各在直線的上下方。但其實都是找到一個合適的斜率（只考慮簡單情況下）
分類器中的誤差值E=期望的正確值-基於A的猜測值得到的計算值$ E=t-y \quad E=(ΔA)x $這就是使用誤差值E得到ΔA
ΔA=E/x
，再將ΔA作為調整分界線斜率A的量
但是這樣會存在一個問題，那就是最終改進的直線會與最後一個訓練樣本十分匹配，近視可以認識忽略了之前的訓練樣本，所以要採用一個新的方法：採用ΔA幾分之一的一個變化值，這樣既能解決上面的問題，又可以有節制地抑制錯誤和雜訊的影響，該方法如下
ΔA=L(E/x)
此處的L稱之為調節系數（學習率）
使用學習率可以解決以上問題，但是當數據本身不是由單一線性過程支配時，簡單的線性分類器還是不能實現分類，這個時候就要採用多個線性分類器來劃分（這就是神經網路的核心思想）
神經網路中追蹤信號
對於一個輸入，神經元不會立即反應，而是會抑制輸入，只有當輸入增強到了一定程度，才可以觸發輸出，並且神經元前後層之間是互相連接的。
神經元的輸入和輸出一般採用S函數（sigmoid function）
y=11+e−x
。因為神經元存在多個輸入，所以需要將輸入的總和作為S函數的輸出。要控制最後的輸出結果，最有效的方式就是調整節點之間的連接強度，這就要使用到矩陣點乘。
一般神經網路分為三層，第一層是輸入層，無需任何計算；第二層是隱藏層；最後是輸出層。
總體過程如下：（特別注意：權重矩陣是不一樣的）
1.輸入層接收信號，通過權重比例輸出到隱藏層，此處遵守公式
X=W•I
$$
\begin{pmatrix}
w_{1,1} & w_{2,1}\\
w_{1,2} & w_{2,2}
\end{pmatrix}
\begin{pmatrix}
input1\\
input2
\end{pmatrix}
$$其中W是權重矩陣，I是輸入矩陣，X是組合調節後的信號
2.隱藏層使用S函數（激活函數）對輸入進行處理，然後輸出到輸出層
3.按照同樣的公式，先經過權重的組合調節再適用S函數（激活函數）得到最後的輸出
反向傳播誤差
誤差=期望的輸出值-實際的計算值，所以根據誤差來調整權重。誤差一般使用不等分誤差，就是按照權重的比例分割誤差。
使用權重，將誤差從輸出向後傳播到網路中，被稱為反向傳播。

❹ python 神經網路庫有哪些

學習人工智慧時，我給自己定了一個目標－－用Python寫一個簡單的神經網路。為了確保真得理解它，我要求自己不使用任何神經網路庫，從頭寫起。多虧了Andrew Trask寫得一篇精彩的博客，我做到了！下面貼出那九行代碼：

在這篇文章中，我將解釋我是如何做得，以便你可以寫出你自己的。我將會提供一個長點的但是更完美的源代碼。
首先，神經網路是什麼？人腦由幾千億由突觸相互連接的細胞（神經元）組成。突觸傳入足夠的興奮就會引起神經元的興奮。這個過程被稱為「思考」。

我們可以在計算機上寫一個神經網路來模擬這個過程。不需要在生物分子水平模擬人腦，只需模擬更高層級的規則。我們使用矩陣（二維數據表格）這一數學工具，並且為了簡單明了，只模擬一個有3個輸入和一個輸出的神經元。

我們將訓練神經元解決下面的問題。前四個例子被稱作訓練集。你發現規律了嗎？『？』是0還是1？

你可能發現了，輸出總是等於輸入中最左列的值。所以『？』應該是1。
訓練過程
但是如何使我們的神經元回答正確呢？賦予每個輸入一個權重，可以是一個正的或負的數字。擁有較大正（或負）權重的輸入將決定神經元的輸出。首先設置每個權重的初始值為一個隨機數字，然後開始訓練過程：
取一個訓練樣本的輸入，使用權重調整它們，通過一個特殊的公式計算神經元的輸出。
計算誤差，即神經元的輸出與訓練樣本中的期待輸出之間的差值。
根據誤差略微地調整權重。
重復這個過程1萬次。

最終權重將會變為符合訓練集的一個最優解。如果使用神經元考慮這種規律的一個新情形，它將會給出一個很棒的預測。
這個過程就是back propagation。

計算神經元輸出的公式
你可能會想，計算神經元輸出的公式是什麼？首先，計算神經元輸入的加權和，即

接著使之規范化，結果在0，1之間。為此使用一個數學函數－－Sigmoid函數：

Sigmoid函數的圖形是一條「S」狀的曲線。

把第一個方程代入第二個，計算神經元輸出的最終公式為：

你可能注意到了，為了簡單，我們沒有引入最低興奮閾值。
調整權重的公式
我們在訓練時不斷調整權重。但是怎麼調整呢？可以使用「Error Weighted Derivative」公式：

為什麼使用這個公式？首先，我們想使調整和誤差的大小成比例。其次，乘以輸入（0或1），如果輸入是0，權重就不會調整。最後，乘以Sigmoid曲線的斜率（圖4）。為了理解最後一條，考慮這些：
我們使用Sigmoid曲線計算神經元的輸出
如果輸出是一個大的正（或負）數，這意味著神經元採用這種（或另一種）方式
從圖四可以看出，在較大數值處，Sigmoid曲線斜率小
如果神經元認為當前權重是正確的，就不會對它進行很大調整。乘以Sigmoid曲線斜率便可以實現這一點
Sigmoid曲線的斜率可以通過求導得到：

把第二個等式代入第一個等式里，得到調整權重的最終公式：

當然有其他公式，它們可以使神經元學習得更快，但是這個公式的優點是非常簡單。
構造Python代碼
雖然我們沒有使用神經網路庫，但是將導入Python數學庫numpy里的4個方法。分別是：
exp－－自然指數
array－－創建矩陣
dot－－進行矩陣乘法
random－－產生隨機數
比如， 我們可以使用array()方法表示前面展示的訓練集：

「.T」方法用於矩陣轉置（行變列）。所以，計算機這樣存儲數字：

我覺得我們可以開始構建更優美的源代碼了。給出這個源代碼後，我會做一個總結。
我對每一行源代碼都添加了注釋來解釋所有內容。注意在每次迭代時，我們同時處理所有訓練集數據。所以變數都是矩陣（二維數據表格）。下面是一個用Python寫地完整的示例代碼。

結語
試著在命令行運行神經網路：

你應該看到這樣的結果：

我們做到了！我們用Python構建了一個簡單的神經網路！
首先神經網路對自己賦予隨機權重，然後使用訓練集訓練自己。接著，它考慮一種新的情形[1, 0, 0]並且預測了0.99993704。正確答案是1。非常接近！
傳統計算機程序通常不會學習。而神經網路卻能自己學習，適應並對新情形做出反應，這是多麼神奇，就像人類一樣。

❺ 怎麼用python訓練神經網路

Python 可以用scikit-learn、Theano、pybrain等庫來做神經網路，詳細的內容可以搜索相關的例子和官方文檔。

❻ 用python編寫的神經網路結果怎麼可視化

學習人工智慧時，我給自己定了一個目標－－用Python寫一個簡單的神經網路。為了確保真得理解它，我要求自己不使用任何神經網路庫，從頭寫起。多虧了Andrew Trask寫得一篇精彩的博客，我做到了！下面貼出那九行代碼：

在這篇文章中，我將解釋我是如何做得，以便你可以寫出你自己的。我將會提供一個長點的但是更完美的源代碼。

❼ python 有哪些神經網路的包

1. Scikit-learn Scikit-learn 是基於Scipy為機器學習建造的的一個Python模塊，他的特色就是多樣化的分類，回歸和聚類的演算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。

❽ python神經網路需要很強的pythob基礎嗎

不需要。
python神經網路的優點是不太需要配置環境，不太需要注重變數的類型，有非常多優秀的資料庫可以方便調用，對於沒有志向深入學習編程語言以及編程小白入門非常友好，所以python神經網路不需要很強的pythob基礎，只要用心學，就可以做到。
神經網路是由具有適應性的簡單單元組成的廣泛並行互連的網路，它的組織能夠模擬生物神經系統對真實世界物體所作出的交互反應。

❾ 如何用python和scikit learn實現神經網路

1：神經網路演算法簡介

2：Backpropagation演算法詳細介紹

3：非線性轉化方程舉例

4：自己實現神經網路演算法NeuralNetwork

5：基於NeuralNetwork的XOR實例

6：基於NeuralNetwork的手寫數字識別實例

7：scikit-learn中BernoulliRBM使用實例

8：scikit-learn中的手寫數字識別實例

一：神經網路演算法簡介

1：背景

以人腦神經網路為啟發，歷史上出現過很多版本，但最著名的是backpropagation

2：多層向前神經網路（Multilayer Feed-Forward Neural Network）

❿ python 神經網路預測 持續性預測

學習人工智慧時，我給自己定了一個目標－－用Python寫一個簡單的神經網路。為了確保真得理解它，我要求自己不使用任何神經網路庫，從頭寫起。多虧了Andrew Trask寫得一篇精彩的博客，我做到了！下面貼出那九行代碼：在這篇文章中，我將解釋我是如何做得，以便你可以寫出你自己的。我將會提供一個長點的但是更完美的源代碼。