15款Python编辑器的优缺点
|
1. 函数式编程 笔者学习的第一种编程语言是Java。尽管深知面向对象编程与创建可重用类和模块相关的好处，但其在处理数据时不便应用。两年后，笔者偶然发现了R语言——一种函数式编程语言，笔者立刻就被它迷住了。 R语言能够使用dplyr包并简单地通过管道传输函数来转换数据并快速查看结果，大大便利了工作。但现在，Python要求将二者结合，编写面向对象的模块化脚本，同时利用函数式编程，这种编程在与R语言中的数据交互时运行良好。
函数式编程极其适用于处理数据，原因就在于几乎任何数据工程任务都可以通过输入数据实现，应用一些函数(也就是说，实现ETL中的T环节，即数据的转换,清洗及加载)，将其输出加载到某个集中存储库，或者用于撰写报告或数据科学用例。 完成一个训练过程初始化：我们会对每一个Block的参数进行初始化，初始化每个参数的函数都是由设定的 initializer决定的。前向传播：这一步把输入数据在神经网络中逐层传递，然后产生输出数据。计算损失：我们会根据特定的损失函数 loss 来计算输出和标记结果的偏差。反向传播：在这一步中，利用损失反向求导计算出每一个参数的梯度。更新权重，会根据选择的优化器，更新每一个在 Block 上的参数的值。 精简
DJL 利用了 Trainer 结构体精简了整个过程，开发者只需要创建Trainer 并指定对应的initializer，loss，optimizer即可，这些参数都是由TrainingConfig设定，来看参数的设置。TrainingListener 训练过程设定的监听器，可以实时反馈每个阶段的训练结果，这些结果可以用于记录训练过程或者帮助 debug 神经网络训练过程中遇到的问题。用户可以定制自己的 TrainingListener 来训练过程进行监听 这段代码分别制作了训练和验证集，同时我们也随机的排列了数据集从而更好的训练，除了这些配置以外，也可以对图片进行进一步的设置，例如设置图片大小，归一化处理。 制作 model 建立 block 当数据集准备就绪以后，就可以构建神经网络，在DJL 中，神经网络是由 Block 代码块构成的，一个Block是一个具备多种神经网络特性的结构，他们可以代表一个操作神经网络的一部分，甚至一个完整的神经网络，然后 block 就可以顺序的执行或者并行。同时 block 本身也可以带参数和子block，这种嵌套结构可以快速的帮助更新一个可维护的神经网络，在训练过程中，每个block附带参数也会实时更新，同时也会更新其子 block。当我们构建这些 block 的过程中，最简单的方式就是把他们一个一个嵌套起来，直接使用准备好的 DJL的 Block 种类，我们就可以快速制作各种神经网络。 block 变体 根据几种基本的神经网络工作模式，我们提供几种Block的变体，
NDArry 和 NDManager NDArray 是 DJL 存储数据结构和数学运算的基本结构，一个NDArry表达了一个定长的多维数组，NDArry的使用方法，类似于Python的numpy.ndarry。NDManager是NDArry的管理者，其负责管理NDArry的产生和回收过程，这样可以帮助我们更好的对Java内存进行优化，每一个NDArry都会由一个NDManager创造出来，同时他们会在NDManager关闭时一同关闭， Model
在 DJL 中，训练和推理都是从 Model class 开始构建的，我们在这里主要训练过程中的构建方法，下面我们为 Model 创建一个新的目标，因为 Model 也是继承了 AutoClosable 结构体，用一个 try block实现。 （编辑：宣城站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
