Najlepsza biblioteka Julii dla sieci neuronowych

12

Korzystałem z tej biblioteki do podstawowej budowy i analizy sieci neuronowych.

Nie obsługuje jednak budowania wielowarstwowych sieci neuronowych itp.

Chciałbym wiedzieć o bibliotekach do tworzenia zaawansowanych sieci neuronowych i głębokiego uczenia w Julii.

machine-learning neural-network julia

— Dawny33
źródło

1

github.com/dmlc/MXNet.jl

— itdxer

1

@itdxer Dziękujemy za link. Czy potrafisz odpowiedzieć na to pytanie, rozwijając się na ten temat?

— Dawny33

7

Mocha.jl - Mocha jest platformą Deep Learning dla Julii, zainspirowaną Caffe C ++.

Projekt z dobrą dokumentacją i przykładami. Może być uruchamiany na procesorze i procesorze graficznym.

— Bartłomiej Twardowski
źródło

1

Myślę, że przestali rozwijać Mocha, a MXNet jest drogą do przodu. Zobacz komentarz malmaud tutaj: github.com/pluskid/Mocha.jl/issues/157

— niczky12

Używam Mocha od jakiegoś czasu, ma pewne problemy i brakuje społeczności, zgadzam się, że MXNet jest tam, gdzie jest aktywny rozwój. Istnieje również opakowanie Julia dla Tensorflow: github.com/malmaud/TensorFlow.jl (disclamer: Nie użyłem ani MXNet ani TF Julia Wrapper)

— davidparks21

9

Pakiet MXNet Julia - elastyczny i wydajny system głębokiego uczenia się w Julii

https://github.com/dmlc/MXNet.jl

Plusy

Szybki
Skaluje do wielu procesorów graficznych i ustawień rozproszonych z automatyczną równoległością.
Lekki, energooszczędny i przenośny na urządzenia inteligentne.
Automatyczne różnicowanie

Cons

Nie ma jeszcze operacji niskiego poziomu dla implementacji algorytmu. Ale pracują nad tym problemem ( https://github.com/dmlc/mxnet/issues/586 )

— itdxer
źródło

3

Od października 2016 r. Dostępna jest również owijka Tensorflow dla Julii:

https://github.com/malmaud/TensorFlow.jl

— davidparks21
źródło

2

Aby dodać nowszą odpowiedź (2019): Flux .

Flux is an elegant approach to machine learning. It's a 100% pure-Julia stack,
and provides lightweight abstractions on top of Julia's native GPU and
AD support. Flux makes the easy things easy while remaining fully hackable.

Na przykład:

model = Chain(
  Dense(768, 128, σ),
  LSTM(128, 256),
  LSTM(256, 128),
  Dense(128, 10),
  softmax)

loss(x, y) = crossentropy(model(x), y)

Flux.train!(loss, data, ADAM(...))

— Wayne
źródło

1

Jedną z nowszych bibliotek do obejrzenia jest także Knet.jl. Będzie robił takie rzeczy, jak używanie GPU pod maską.

https://github.com/denizyuret/Knet.jl

— Chris Rackauckas
źródło