Собрать CNN
Готовые слои, инициализация и прямой проход на CPU.
net = nn.Sequential() net.add(nn.Conv2D(16, 3)) net.add(nn.Dense(10))
ТРИ ЖИВЫХ ЭКСПЕРИМЕНТА
Попробуйте сами
Меняйте данные и запускайте вычисления. Результат каждого запроса рассчитывается на сервере нативным движком LibLearning.
NDARRAY / BLAS
Умножение матриц
Введите строки через точку с запятой, а числа — через пробел. Размеры до 8×8.
Результат
[[19, 22], [43, 50]]
Ожидает запуска
API В ДЕЙСТВИИ
Ещё четыре
сценария
Те же примитивы используются в прикладных задачах — от сборки CNN до сохранения обученной модели.
Поток данных
Dataset и DataLoader формируют пакеты для обучения.
loader = gluon.data.DataLoader( dataset, batch_size=64) for x, y in loader: ...
Экспорт графа
Гибридизация, сериализация графа и повторная загрузка.
net.hybridize()
net.export("model")
loaded = nn.SymbolBlock...
Оценить модель
Оптимизаторы, расписания скорости и метрики качества.
trainer = gluon.Trainer( net.collect_params(), "adam") metric = mx.metric.Accuracy()
AUTOGRAD
Производная без формул в коде
LibLearning записывает граф операций для f(x) = x² + 2x и вычисляет производную обратным проходом.
f(x)15
f′(x)8
Ожидается: 2x + 2
GLUON / AUTOGRAD / ADAM
Обучите нейросеть
Небольшая сеть учится разделять два пересекающихся класса. Цвет фона показывает найденную границу решений.
Вычисление займёт несколько секунд
Потери —Точность —