全连接

Nekobox 是一个用于构建和运行神经网络模型的 Python 库，它提供了多种节点和连接方式，用于构建复杂的模型，以下是关于 Nekobox 节点配置的一些关键点和示例：

---

基本概念

• 节点：Nekobox 提供多种节点类型（如输入节点、隐藏层节点、输出节点等），用于构建神经网络。
• 连接方式：节点之间可以通过全连接、卷积、稀疏连接等方式进行连接。
• 超参数：包括学习率、激活函数、网络层数、节点数量等。

---

1 输入节点

输入节点接收输入数据,通常使用位置节点（Position）或随机节点（Random）。

import n eq box as nbox
from n eq box import Position, Random
net = nbox.N network()
input_node = net.create_node(nbox.InputNode, [Position(2, 2), Random(2, 2)])

---

2 隐藏层节点

隐藏层节点执行神经网络的前向传播和反向传播,通常使用全连接节点（Linear）。

hidden_node = net.create_node(nbox.HiddenNode, [Linear(2, 2)])

---

3 输出节点

输出节点将网络的输出传递给标签或目标。

output_node = net.create_node(nbox.OutputNode, [Linear(2, 1)])

---

4 节点连接

节点之间的连接可以通过以下方式实现：

• 全连接：节点之间直接连接。
• 卷积：节点之间通过卷积操作。
• 稀疏连接：节点之间随机或按规则连接。

# 卷积
net.connect(input_node, hidden_node, 'conv')
# 稀疏连接
net.connect(input_node, hidden_node, 'random')

---

5 超参数配置

Nekobox 提供多种超参数，如学习率、激活函数、优化器等。

net.config = {
    'activation': 'relu',
    'optimizers': ['sgd', 'adagrad', 'adam'],
    'loss': 'mean_squared_error',
    'batch_size': 32
}

---

6 调用和运行

使用 Numpy 或 PyTorch 进行网络调用和运行。

# 载入数据
import numpy as np
# 从 Numpy 导入数据
data = np.load('data.npy')
x = data['x']
y = data['y']
# 运行网络
loss, acc = net.run(x, y)

---

7 优化和调整

• 学习率：调整学习率以优化收敛速度。
• 激活函数：选择合适的激活函数（如ReLU、Tanh、Sigmoid）。
• 网络结构：调整隐藏层节点数量、深度等。