numpy实现基于超大整数矩阵运算的神经网络

最新推荐文章于 2024-05-29 13:27:18 发布
最新推荐文章于 2024-05-29 13:27:18 发布
阅读量185 收藏
点赞数
文章标签： numpy 神经网络 python 密码学 同态加密
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44091312/article/details/130876054
版权

正常训练神经网络的框架例如pytorch,tensorflow都只支持浮点型运算

 但是如果我们的数据都是超大整数(有效2进制数字在100位以上)呢？如果强行将大整数转换为float或者double类型，由于python（很多其他语言也是这样）的float32和float64（double）分别遵从IEEE754单精度和双精度标准，其能表达的有效数字分别只有23位和52位，因此当我们把超大整数（有效2进制数在100位以上）转为float时必然会损失很多有效数字。对于float64来讲超出52位有效数字的计算就是不精确的，如果超出很多（假设数据为128位），计算的误差也就会很大，对于模型的影响很大。

那么只能考虑自己写一个基于大整数运算的神经网络,numpy是手写神经网络最合适的工具，下面看看numpy支持的数据类型：

最低0.47元/天 解锁文章
汤姆船长11
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于python的Numpy矩阵运算库实现ESTI-CS算法
04-21
<项目介绍> 基于python的Numpy矩阵运算库实现ESTI-CS算法 - 不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可用于毕设、课设、作业等。 下载后请首先打开README.md文件（如有），仅供学习参考, 切勿用于商业用途。 --------
纯用NumPy实现神经网络的示例代码
09-20
主要介绍了纯用NumPy实现神经网络的示例代码，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
使用numpy实现两层神经网络
01-20
使用numpy实现两层神经网络1. 网络结构及实现思路2.编程实现及公式推导3.结果测试4.参考文章 1. 网络结构及实现思路 以下为次此依赖的的网络结构，并且后边的所有思路及编程都将遵循这个结构给出。 原创文章 52获赞 59访问量 2万+ 关注 私信 展开阅读全文 作者：王延凯的博客
使用numpy实现简单的双层神经网络
02-21
使用numpy实现简单的双层神经网络 2层神经网络，64个输入1000维，1个隐藏层100维，输出10维
基于numpy实现的简单神经网络框架.zip
02-06
【探索人工智能的宝藏之地】 无论您是计算机相关专业的在校学生、老师，还是企业界的探索者，这个项目都是为您量身打造的。无论您是初入此领域的小白，还是寻求更高层次进阶的资深人士，这里都有您需要的宝藏。不仅如此，它还可以作为毕设项目、课程设计、作业、甚至项目初期的立项演示。 【人工智能的深度探索】 人工智能——模拟人类智能的技术和理论，使其在计算机上展现出类似人类的思考、判断、决策、学习和交流能力。这不仅是一门技术，更是一种前沿的科学探索。 【实战项目与源码分享】 我们深入探讨了深度学习的基本原理、神经网络的应用、自然语言处理、语言模型、文本分类、信息检索等领域。更有深度学习、机器学习、自然语言处理和计算机视觉的实战项目源码，助您从理论走向实践，如果您已有一定基础，您可以基于这些源码进行修改和扩展，实现更多功能。 【期待与您同行】 我们真诚地邀请您下载并使用这些资源，与我们一起在人工智能的海洋中航行。同时，我们也期待与您的沟通交流，共同学习，共同进步。让我们在这个充满挑战和机遇的领域中共同探索未来！
yolo_quantization:基于论文“仅基于整数算法的神经网络的量化和训练”
05-28
yolo_quantization 代码是基于纸面将暗网的float32网络量化为uint8网络的： 高效的神经网络量化和训练 < > [要求] MKL： 如果要使用mkl加速，则需要自己安装mkl，否则不需要安装mkl 下载并安装MKL： ://pan.baidu.com/s/1vl8W7gp1MS_E_owgc6zrkA密码：v37i 飞度MKL 对于Linux，改变MKLROOT在Makefile文件到您自己的MKL安装路径 对于Windows，将mkl路径设置为vs，如果您没有经验，请关注此博客： ://www.cnblogs.com/Mayfly-nymph/p/11617651.html [运行项目的共同点] [Linux]火车： 在Makefile中设置GPU = 1 make -j8 ./darknet detector train cfg/vo
python 中的numpy_python中的numpy常用方法
weixin_39618956的博客
11-25 259
numpy是用于处理矩阵运算非常好的工具。执行效率高，因为其底层是用的是C语句使用numpy,需要将数据转换成numpy能识别的矩阵格式。基本用法:numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)名称描述object数组或嵌套的数列dtype数组元素的数据类型，可选，例如：i...
python大数据之numpy
suren_jun的博客
10-18 913
每一个【】代表一个轴，轴里面的可以看作元素，如果该元素也有【】，可以看成另一个轴。轴的数量也能反映维度。如果数据太多，他会自动显示边角数据，想要显示全部数据。
高效整数运算推理神经网络的量化与训练
qq_44703968的博客
11-26 522
智能移动设备的日益普及和基于深度学习的模型令人生畏的计算成本要求高效和准确的设备上推理方案。我们提出了一种量化方案，它允许使用纯整数算法进行推理，这比在常用的纯整数硬件上实现浮点推理更有效。我们还共同设计了一个训练程序，以保持量化后的端到端模型精度。因此，提出的量化方案改善了准确性和设备上延迟之间的权衡。即使是在以运行时效率著称的模型系列MobileNets上，改进也是显著的，并在流行的cpu上的ImageNet分类和COCO检测中得到了证明。目前最先进的卷积神经网络(CNNs)并不适合在移动设备上使用。
利用numpy.vectorize提升计算速度
buracag_mc的博客
03-22 4340
同步于https://www.runblog.online/2019/03/18/increase-calculation-speed-with-numpy-vectorize/ 前言 在实际项目中，对超大矩阵进行计算或者对超大的DataFrame进行计算是一个经常会出现的场景。这里先不考虑开发机本身内存等客观硬件因素，仅从设计上讨论一下不同实现方式带来的性能差异，抛砖引玉。 项目中有这样一个需...
矩阵运算-基于numpy矩阵运算实现ESTI-CS算法.zip
05-16
矩阵运算 矩阵运算_基于numpy矩阵运算实现ESTI-CS算法
纯numpy 实现神经网络模型.zip
05-19
numpy和稀疏矩阵运算包scipy配合使用更加方便。 NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，...
神经网络实现-python
m0_63963157的博客
01-25 1399
书上的推导使用链式法则，计算预测的标签与目标标签的差值，将这个差值与各个权重求偏导得到权重更新的公式，这里不做推导，会先把公式列出，然后对公式进行矩阵乘法可能性的探讨。对于权重的命名规则，如v_1h，表示从1指向h结点的线，w同理，注意，这两个权重位于不同层之间，由于使用矩阵乘法进行计算，需要先确定各个层的尺寸。y_j表示数据的标签，y'_j表示预测的标签，从最开始的图推测，j的取值应该是[1,l]，即对应输出层的各个结点。d:输入层的结点数，q:隐藏层的结点数，l:输出层的结点数。
输入16个整数，将变为为一个矩阵输出，然后将转换再次输出
plc和尚的
12-19 678
#include "stdio.h" #define M 4 #define N 4 void main() { int i, k; int a[M][N] , b[M][N]; for ( i = 0; i < M; i++) for (k = 0; k < N; k++) scanf("%d", &a[i][k]); for ( i = 0; i < M; i
Python3实现BP神经网络
Kelisiya
05-04 9009
主要是实现了这位大佬的代码，顺便加了一些自己的理解http://www.cnblogs.com/Finley/p/5946000.html import math import random random.seed(0) def rand(a,b): #随机函数 return (b-a)*random.random()+a def make_matrix(m,n,fill=0.0):#
【矩阵计算GPU加速】numpy 矩阵计算利用GPU加速，cupy包
热门推荐
小欧欧的博客
01-24 1万+
CuPy 项目地址:https://cupy.chainer.org/  这个项目本来是用来支持Chainer这个深度学习框架的，但是开发者把这个“GPU 计算包”单独分出来了，方便了大家！！！ 来看几个例子： import numpy as np import cupy as cp import time x=np.ones((1024,512,4,4))*1024. y=np.one...
经典卷积神经网络详解（AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet、CSPNet、Darknet、EfficientNet、SqueezeNet..）
zyw2002的博客
03-04 1万+
经典卷积神经网络详解（AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet、CSPNet、Darknet、EfficientNet、SqueezeNet,MobileNet,GhostNet等）
如何用神经网络判断给定整数数组中的最大值(整活+torch简易教程)
且视他人之疑目如盏盏鬼火,大胆地去走你的夜路
10-11 623
a = [2,3,9,1,0]，找出其中最大的一个数
神经网络 设计层数和神经元数量的考虑
最新发布
软件工程小施同学 的专栏
05-29 371
选择第二层有24个神经元的设计是为了在特征提取和压缩之间取得平衡。这样的设计既能提高模型的非线性表达能力，又能避免过拟合，同时保证信息的逐步提取和处理。这种设计原则需要根据具体任务和数据的需求进行实验调整，最终找到最优的模型结构。
numpy 多任务处理大型矩阵运算
10-11
3. 基于向量化的操作：NumPy的向量化操作可以利用底层的高度优化的C语言代码来快速处理大型矩阵运算。通过使用广播（broadcasting）和ufuncs（universal functions），可以在不使用显式循环的情况下执行矩阵运算。 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值