新力開源神經網路庫NNabla

訓練可以通過以下步驟來完成：

importnnabla.solversas S

# Create a solver (parameter updater)

solver =S.Adam()

solver.set_parameters(nn.get_parameters())

# Training iteration

for n inrange():    

    # Setting data from any data source

    x.d=

    t.d=

    # Initialize gradients

    solver.zero_grad()    

    # Forward and backward execution

    loss.forward()

    loss.backward()    

    # Update parameters by computed gradients

    solver.update()

動態計算圖使網路結構的執行時間變得靈活。NNabla可以使用靜態和動態圖的模型，在兩種情況下都使用相同的 API。

x.d=

t.d=

drop_depth=np.random.rand() <

withnn.auto_forward():

    h =F.relu(PF.convolution(x,, (3, 3), pad=(1, 1), name='conv0'))    

    foriinrange():        

        ifdrop_depth[i]:            

            continue  # Stochastically drop a layer

        h2 =F.relu(PF.convolution(x,, (3, 3), pad=(1, 1),

                                   name='conv%d'% (i+1)))

        h =F.add2(h, h2)

    y =PF.affine(h,, name='classification')

    loss=F.mean(F.softmax_cross_entropy(y, t))

# Backward computation (can also be done in dynamically executed graph)

loss.backward()