Metadata-Version: 2.4
Name: neuronnet
Version: 0.3
Summary: Библиотека для коллективного обучения нейросетей с использованием оптимизатора Adam, L2-регуляризации и мини-пакетов.
Home-page: https://github.com/yourusername/NeuronNet
Author: Umar
Author-email: umarfrost2011@gmail.com
Description-Content-Type: text/markdown
License-File: LICENCE
Requires-Dist: numpy
Dynamic: author
Dynamic: author-email
Dynamic: description
Dynamic: description-content-type
Dynamic: home-page
Dynamic: license-file
Dynamic: requires-dist
Dynamic: summary



# NeuronNet

Лёгкая библиотека для коллективного обучения нейросетей

## Описание

NeuronNet — это простая и эффективная библиотека для коллективного обучения нейросетей. Она позволяет моделям обучаться не только независимо, но и обмениваться знаниями, что ускоряет обучение и повышает качество предсказаний. Это идеальный инструмент для тех, кто хочет исследовать и развивать новые методы обучения.

### Возможности

Коллективное обучение: несколько моделей могут обмениваться знаниями, что ускоряет и улучшает процесс обучения.

Лёгкость в использовании: библиотека имеет минимальные зависимости и проста в интеграции.

Гибкость: поддерживает различные типы задач и легко адаптируется под нужды пользователя.


#### Установка

Для использования библиотеки в своём проекте:

pip install neuronnet  # Если библиотека будет доступна через PyPI

# Или клонируйте репозиторий:

git clone https://github.com/UmarArab1/NeuronNet  
cd neuronnet

#### Пример использования

import numpy as np
from neuronnet import CollectiveLearningModel, collective_training

#### Создание случайных данных для обучения
X = np.random.randn(100, 5)  # 100 примеров, 5 признаков
y = np.random.randn(100, 1)  # 100 целевых значений

# Создание моделей для коллективного обучения
models = [CollectiveLearningModel(5, 10, 1) for _ in range(3)]

# Обучение моделей
collective_training(models, X, y, epochs=1000, learning_rate=0.01)

# Проверка предсказаний
for i, model in enumerate(models):
    predictions, _ = model.forward(X[:10])
    print(f"Model {i+1} predictions:\n", predictions)

Лицензия

Проект распространяется под лицензией MIT с дополнительными ограничениями. Подробности см. в файле LICENSE.

Автор

Разработчик: Умар
Контакты: [umarfrost2011@gmail.com]





Обновления:
- Добавлен оптимизатор Adam.
- Включена L2-регуляризация.
- Реализована обработка данных в мини-пакетах.
