Найкраща бібліотека Джулії для нейронних мереж

12

Я використовую цю бібліотеку для основної побудови та аналізу нейронної мережі.

Однак він не має підтримки для побудови багатошарових нейронних мереж тощо.

Отже, я хотів би знати про будь-які приємні бібліотеки для роботи з розвиненими нейронними мережами та Deep Learning у Джулії.

machine-learning neural-network julia

— Світанок33
джерело

1

github.com/dmlc/MXNet.jl

— itdxer

1

@itdxer Дякую за посилання. Чи можете ви поставити це як відповідь, розробивши про це?

— Світанок33

7

Mocha.jl - Mocha - це система глибокого навчання для Джулії, натхненна рамкою C ++ Caffe.

Проект з хорошою документацією та прикладами. Можна запустити на процесорі та GPU.

— Bartłomiej Twardowski
джерело

1

Я думаю, що вони перестали розвивати Mocha, і MXNet - це шлях іти вперед. Дивіться коментар malmaud тут: github.com/pluskid/Mocha.jl/isissue/157

— niczky12

Я деякий час використовував Mocha, у нього виникають деякі проблеми і не вистачає спільноти, я погоджуюся, що MXNet - це місце, де активний розвиток. Також є обгортка Julia для Tensorflow: github.com/malmaud/TensorFlow.jl (дискремер: я не використовував, MXNet або TF Julia Wrapper)

— davidparks21

9

Пакет MXNet Julia - гнучка та ефективна глибока освіта в Джулії

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

Плюси

Швидкий
Масштабує до декількох GPU та розподілених налаштувань з автоматичним паралелізмом.
Легкий, об'єм пам'яті та портативний для розумних пристроїв.
Автоматична диференціація

Мінуси

Ще немає операцій низького рівня для реалізації алгоритму. Але вони працюють над цим питанням ( https://github.com/dmlc/mxnet/isissue/586 )

— тощо
джерело

3

Станом на жовтень 2016 року для Юлії також є обгортка Tensorflow:

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

— davidparks21
джерело

2

Просто для додання більш новітньої (2019) відповіді: 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.

Наприклад:

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(...))

— Уейн
джерело

1

Ще одна нова бібліотека, на яку слід звернути увагу - Knet.jl. Це зробить такі речі, як використання графічних процесорів під кришкою.

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

— Кріс Ракаукас
джерело