前作：PyNet: Use NumPy to build neuron network。在那里我们基于求导规则实现了全连接网络。在这里，我们向当今的深度学习框架看齐，实现属于自己的DL框架。

PyDyNet已被多个技术公众号和社区分享：居然用Numpy实现了一个深度学习框架.

PyDyNet也是纯NumPy(0.0.7版本后加入CuPy，其用法和NumPy一致)实现的神经网络，语法受PyTorch的启发，大致结构如下：

graph BT
   N(numpy.ndarray/cupy.ndarray) ----> ds(Dataset) ----> Data(DataLoader)--> Mission
   N --> A(Tensor) --Eager execution--> B(Basic operators: add, exp, etc)
   B -.Autograd-.-> A
   B --> CO(Complex operators:softmax,etc)
   --> f(Function:linear, conv2d, etc) 
   --> M(Basic Module:Linear,Conv2d,etc)
   --> CM(Advanced Module:CNN,RNN,etc)
   --> Mission(PyDyNet)
   N --> GD(Optimizer:SGD, Adam, etc) ----> LS(lr_scheduler:StepLR, etc)--> Mission

虚线表示用户可以通过no_grad来关闭自动微分功能。更全面的架构图（Thanks to duma-repo）：

我们实现了：

1. 将NumPy数组包装成具有梯度等信息的张量(Tensor):

   Example

   from pydynet import Tensor
   
   x = Tensor(1., requires_grad=True)
   print(x.data) # 1.
   print(x.ndim, x.shape, x.is_leaf) # 0, (), True

2. 将NumPy数组的计算(包括数学运算、切片、形状变换等)抽象成基础算子(Basic operators)，并对部分运算加以重载：

   Example

   import pydynet as pdn
   from pydynet import Tensor
   
   x = Tensor([1, 2, 3])
   y = pdn.exp(x) + x
   z = pdn.sum(x)
   print(z.data) # 36.192...

3. 手动编写基础算子的梯度，实现和PyTorch相同的动态图自动微分机制(Autograd)，从而实现反向传播

   Example

   import pydynet as pdn
   from pydynet import Tensor
   
   x = Tensor([1., 2., 3.], requires_grad=True)
   y = pdn.log(x) + x
   z = pdn.sum(y)
   
   z.backward()
   print(x.grad) # [2., 1.5, 1.33333333]

4. 基于基础算子实现更高级的算子(Complex operators)，它们不再需要手动编写导数：

   Example

   import pydynet as pdn
   
   def simple_sigmoid(x: pdn.Tensor):
       return 1 / (1 + pdn.exp(-x))

5. 实现了Mudule，包括激活函数，损失函数等，从而我们可以像下面这样定义神经网络，损失函数项：

   Example

   import pydynet.nn as nn
   import pydynet.nn.functional as F
   
   n_input = 64
   n_hidden = 128
   n_output = 10
   
   class Net(nn.Module):
       def __init__(self) -> None:
           super().__init__()
           self.fc1 = nn.Linear(n_input, n_hidden)
           self.fc2 = nn.Linear(n_hidden, n_output)
   
       def forward(self, x):
           x = self.fc1(x)
           x = F.sigmoid(x)
           return self.fc2(x)
   
   net = Net()
   loss = nn.CrossEntropyLoss()
   l = loss(net(X), y)
   l.backward()

6. 实现了多种优化器和学习率衰减策略，从而实现神经网络的训练；其中优化器和PyTorch一样支持权值衰减，即正则化：

   Example

   from pydynet.optim import Adam, StepLR
   
   ...
   net = Net()
   optimizer = Adam(net.parameters(), lr=0.01)
   lr_scheduler = StepLR(optimizer, step_size=10)
   
   for epoch in range(EPOCHES):
       for data in data_loader:
           train(...)
           optimizer.step()
       lr_scheduler.step()

7. 实现了Dataset和DataLoader对数据集进行加载与划分：

   Example

   from pydynet.data import Dataset, DataLoader
   
   class TrainSet(Dataset):
       def __init__(self, X, y) -> None:
           self.data = X
           self.target = y
   
       def __getitem__(self, index):
           return self.data[index], self.target[index]
   
       def __len__(self):
           return len(self.data)
   
    data_loader = DataLoader(TrainSet(X, y), batch_size, shuffle)

8. Dropout机制，Batch Normalization机制，以及将网络划分成训练阶段和评估阶段；

9. 基于im2col高效实现Conv1d, Conv2d, max_pool1d和max_pool2d，从而实现CNN；

10. 支持多层的多层双向RNN，LSTM和GRU；

11. 多种初始化方式，包括Kaiming和Xavier；

12. 基于cupy实现了显卡计算和训练：

    Example

    from pydynet import Tensor
       
    x = Tensor([1., 2., 3.], device='cuda')
    y = Tensor([1., 2., 3.], device='cuda')
    z = (x * y).sum()
    
    w = Tensor([1., 2., 3.]) # CPU上的Tensor
    x * w # 报错

pip install pydynet

或本地安装

git clone https://github.com/Kaslanarian/PyDyNet
cd PyDyNet
python setup.py install

安装成功后就可以运行下面的例子

tests中是一些例子。

autodiff.py利用自动微分，对一个凸函数进行梯度下降：

DNN.py使用全连接网络对sklearn提供的数字数据集进行分类，训练参数

• 网络结构：Linear(64->64) + Sigmoid + Linear(64->10)；
• 损失函数：Cross Entropy Loss；
• 优化器：Adam(lr=0.01)；
• 训练轮次：50；
• 批大小(Batch size)：32.

训练损失，训练准确率和测试准确率：

CNN.py使用三种网络对fetch_olivetti_faces人脸(64×64)数据集进行分类并进行性能对比：

1. Linear + Sigmoid + Linear;
2. Conv1d + MaxPool1d + Linear + ReLU + Linear;
3. Conv2d + MaxPool2d + Linear + ReLU + Linear.

其余参数相同：

• 损失函数：Cross Entropy Loss；
• 优化器：Adam(lr=0.01)；
• 训练轮次：50；
• 批大小(Batch size)：32.

学习效果对比：

dropout_BN.py使用三种网络对fetch_olivetti_faces人脸(64×64)数据集进行分类并进行性能对比：

1. Linear + Sigmoid + Linear;
2. Linear + Dropout(0.05) + Sigmoid + Linear;
3. Linear + BN + Sigmoid + Linear.

其余参数相同：

• 损失函数：Cross Entropy Loss；
• 优化器：Adam(lr=0.01)；
• 训练轮次：50；
• 批大小(Batch size)：32.

学习效果对比：

RNN.py中是一个用双向单层GRU对sklearn的数字图片数据集进行分类：

cuDNN.py, cuCNN.py, cuDropoutBN.py, cuRNN.py分别是上面四种网络的cuda版本，并对网络进行了相应的修改，主要是介绍如何使用PyDyNet的显卡功能，且已经在无显卡和有显卡的环境下都通过了测试。

事实上，对于越庞大的网络（更宽，更深，卷积），GPU加速效果更好。