# PlainDL
#### 介绍
PlainDL是一种基于numpy的轻量级深度学习训练框架。
目前已经支持自动微分、各种常见的算子（如dense、cnn、rnn、embedding等）、基于数值微分的梯度检测、模型的序列化保存和加载等功能。
#### 特性
使用纯python实现，结构清晰，逻辑简单，有助于熟悉深度学习训练的内部实现细节。接口与pytorch类似，上手容易。
#### 安装
使用pip下载安装
```javascript
pip install plaindl
```
#### 代码结构
```
├─example 包括了多个实际的任务例子，包括图像识别、词向量训练、语言模型等
├─plaindl
│ ├─data 数据集加载与读取
│ ├─nn
│ │ ├─cv 封装了用于计算机视觉任务的模型
│ │ ├─nlp 封装用于自然语言处理任务的模型
│ │ └─各种用于构建神经网络的组件，包括模型的基类module和各种网络层
│ ├─ops 各种算子的定义
│ ├─optim 优化器
│ ├─utils 工具文件
```
#### 例子
1. 使用numpy生成一个tensor
```python
import numpy as np
import plaindl as pdl
x = pdl.Tensor(np.random.randn(2,3))
```
2. 定义一个简单的神经网络
```python
import plaindl as pdl
import plaindl.nn as nn
class mlp(nn.Module):
def forward(self, inputs, labels):
predict = self.layers(inputs)
return self.loss_fn(predict, labels)
def __init__(self):
super(mlp, self).__init__()
self.loss_fn = pdl.ops.SoftmaxWithCrossLoss()
self.sigmoid = pdl.ops.Sigmoid()
self.layers = nn.Sequential({
"linear1": nn.Linear(100),
"sigmoid1": self.sigmoid,
"linear2": nn.Linear(100),
"sigmoid2": self.sigmoid,
"linear3": nn.Linear(10)}
)
```
#### 参与贡献
1. Fork 本仓库
2. 新建 Feat_xxx 分支
3. 提交代码
4. 新建 Pull Request
一个基于numpy的轻量级深度学习训练框架，使用与pytorch类似的接口设计，上手容易。.zip （74个子文件） 
content 
setup.py 396B LICENSE 11KB .gitignore 294B README.en.md 2KB example word2vector.py 2KB language_model.py 2KB mnist_mlp.py 2KB mnist_data 
t10k-images-idx3-ubyte.gz 1.57MB train-labels-idx1-ubyte.gz 28KB train-images-idx3-ubyte.gz 9.45MB t10k-labels-idx1-ubyte.gz 4KB PTB 
ptb.test.txt 439KB ptb.valid.txt 390KB ptb.train.txt 4.87MB ptb.train.npy 3.55MB ptb.vocab.pkl 274KB mnist_cnn.py 2KB spiral_mlp.py 4KB spiral_mlp_model.pkl 838B README.md 2KB plaindl __init__.py 132B nn initializer.py 894B __init__.py 135B module.py 6KB layers.py 8KB cv __init__.py 0B nlp __init__.py 0B rnnlm.py 825B functional.py 636B cbow.py 1KB __pycache__ cbow.cpython-36.pyc 1KB functional.cpython-36.pyc 731B rnnlm.cpython-36.pyc 1KB __init__.cpython-36.pyc 148B model.pkl 589B __pycache__ container.cpython-36.pyc 1022B initializer.cpython-36.pyc 2KB __init__.cpython-36.pyc 273B module.cpython-36.pyc 5KB layers.cpython-36.pyc 8KB container.py 766B data __init__.py 86B dataloader.py 1KB datasets.py 6KB __pycache__ datasets.cpython-36.pyc 6KB dataloader.cpython-36.pyc 2KB __init__.cpython-36.pyc 255B utils __init__.py 39B sampler.py 1KB itertools.py 2KB functional.py 3KB __pycache__ functional.cpython-36.pyc 3KB sampler.cpython-36.pyc 1KB __init__.cpython-36.pyc 188B optim __init__.py 37B __pycache__ optimizer.cpython-36.pyc 3KB __init__.cpython-36.pyc 187B gradcheck.py 5KB optimizer.py 2KB tensor.py 2KB ops __init__.py 67B loss.py 2KB activation.py 1KB rnn.py 3KB ops.py 4KB __pycache__ conv.cpython-36.pyc 4KB rnn.cpython-36.pyc 4KB activation.cpython-36.pyc 2KB ops.cpython-36.pyc 7KB __init__.cpython-36.pyc 212B loss.cpython-36.pyc 4KB conv.py 4KB __pycache__ tensor.cpython-36.pyc 3KB __init__.cpython-36.pyc 314B资源评论
