from numpy import Neural Network

Как сделать домашку

• Форкнуть этот репозиторий
• Установите зависимости
• Сделайте задание
• Заполните форму

Описание задания

В этой домашке есть две версии: простая и сложная. В обоих версиях вам нужно будет реализовать нейронную сеть на numpy. Простая версия отличается от сложной тем, что в ней нужно сделать это непосредственно в цикле обучения и для двух слоев, то есть нужно будет описать forward, backward и шаг оптимизации прямо в цикле. В сложной версии нужно будет проделать примерно тоже самое, но в классах. Эта домашка нужна для лучшего понимания, но она будет сложнее из-за использования классов и, возможно, пока непривычной форме с классами. Абстракции в этой домашке будут очень полезны для понимания того, что происходит в торче. Эта домашка прокачает вас гораздо сильнее, но и выполнить ее будет труднее. Вам нужно будет описать несколько слоев: Linear, ReLU, BCELoss. Реализация Sigmoid уже есть в our_library.layers. Реализовав слои выше вы сможете сделать n-слойную нейронную сеть с любым количеством слоев. Это получается за счет того, что вы описали всю необходимую логику:

• Как нужно обработать входные данные и передать их дальше;
• Принять градиент с последующего слоя, сделать backward для текущего слоя и передать градиент предыдущему слою;
• Как обновить веса, если в слоев есть обучаемые веса.

Присылайте свои недоделанные сложные домашки, пусть они не пойдут совсем в стол. Я или ассистенты посмотрят, мы обсудим и доделаем.
Поверьте, эта домашка стоит того, чтобы ее сделать! Вы получите бОльший опыт, выполнив сложную. Но нет ничего страшного, если вы выбирите простую. У вас еще будет большое количество возможностей проявить себя.

Простая домашка находится в ноутбуке Homework Easy.ipynb, сложная в Homework Hard.ipynb

Установка зависимостей

Необходимые сторонние библиотеки
pip install -r requirements.txt

Оценивание

Будет проверятся корректность логики обучения, будут даваться комментарии что нужно исправить, если домашка будет сдана вовремя. Грамотность и красота кода проверяться не будут. Максимальный балл: 10.

Дедлайн

19/10/2021
Далее максимальный балл за работу: 7

Важные просьбы

• Не отправляйте ссылку на colab в форме, отправляйте ссылку на ваш репозиторий
• Прежде чем отправить задание на проверку, очистите свой код от неиспользоваемого кода и неважных комментариев