Tnlearn是一个开源的Python库。它基于符号回归算法生成任务特定的神经元，然后利用多样化的神经元构建神经网络。

快速链接

• 动机
• 特点
• 概览
• 基准测试
• 资源
• 依赖
• 安装
• 快速入门
• API文档
• 引用
• 团队
• 许可证

动机

• 受NuronAI启发 在过去十年中，成功的网络主要在新颖的架构中使用单一类型的神经元，然而最近的深度学习研究受到人脑神经元多样性的启发，导致了新人工神经元设计的提出。

• 基于任务的神经元设计 鉴于人脑依赖于基于任务的神经元，人工网络设计能否从关注基于任务的架构转向基于任务的神经元设计？

• 增强表征 由于不存在普遍适用的神经元，基于任务的神经元可以在相同结构内增强特征表征能力，这得益于其对任务的内在归纳偏置。

特点

• 采用向量化符号回归来找到适合输入数据的最优公式。

• 我们对获得的基本公式进行参数化，创建可学习参数，作为神经元的聚合函数。

概览

这里将展示一张描述tnlearn结构的精美图片。

基准测试

我们选择了几种先进的机器学习方法进行比较。

我们在两组真实世界数据上测试了多种先进的机器学习方法。测试结果（MSE）如下表所示：

资源

以下是人工神经网络多样性的资源总结。

依赖

你应该确保 PyTorch 的版本与 CUDA 的版本相对应，以保证 GPU 加速。以下是参考版本：

Pytorch >= 2.1.0

cuda >= 12.1

其他主要依赖项在安装 tnlearn 时会自动安装。

安装

可以使用 pip 轻松安装 tnlearn 及其依赖项：

pip install tnlearn

也可以使用 conda 轻松安装 tnlearn 及其依赖项：

conda install -c tnlearn

快速开始

这是一个快速示例，展示如何在回归任务中使用 tnlearn。注意，你的数据类型应该是表格数据。

from tnlearn import VecSymRegressor
from tnlearn import MLPRegressor
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

# 生成数据
X, y = make_regression(n_samples=200, random_state=1)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

# 使用向量化符号回归算法生成基于任务的神经元
neuron = VecSymRegressor()
neuron.fit(X_train, y_train)

# 使用基于任务的神经元构建神经网络并进行训练
clf = MLPRegressor(neurons=neuron.neuron，
                   layers_list=[50,30,10]) #指定 MLP 中隐藏层的结构
clf.fit(X_train, y_train)

# 预测
clf.predict(X_test)

tnlearn 中有许多可以调试的超参数，使神经网络性能更加优越。具体用法请参见 API 文档。

API 文档

这是我们的官方 API 文档，可在 Read the Docs 上查看。

引用

如果你觉得 tnlearn 有用，请在你的出版物中引用它。

@article{


}

团队

Tnlearn是由Meng Wang、Juntong Fan、Hanyu Pei和Fenglei Fan共同完成的作品。

许可证

Tnlearn根据Apache License 2.0发布。