Чи є наочний інструмент для проектування та застосування нейронних мереж / глибокого навчання? [зачинено]

Я знаю, що існує багато бібліотек для машинного навчання та глибокого навчання, таких як caffe, Theano, TensorFlow, keras, ... Але мені здається, що я маю знати архітектуру нейронної мережі, яку я хочу використовувати.

Чи існує (візуальний) інструмент, який дозволяє експериментувати з різними проектами мережі та застосовувати їх на власних даних?

Я думаю про щось на кшталт дитячої площадки TensorFlow , але з n-мірними даними та різними типами шарів.

Спасибі заздалегідь!

Так, існує безліч інструментів для проектування та застосування нейронної мережі за допомогою перетягування. Однією з них є студія Deep Learning, розроблена Deep Cognition Inc , їх міцна платформа глибокого навчання з візуальним інтерфейсом у виробництві забезпечує комплексне рішення для прийому даних. , розробка моделі, навчання, розгортання та управління. Користувачі Deep Learning Studio мають можливість швидко розробляти та впроваджувати рішення для глибокого навчання завдяки надійній інтеграції з TensorFlow, MXNet та Keras.

Їх функція автоматичного ML автоматично створить модель нейронної мережі.

Для кави існує сторонній інструмент під назвою Expresso ( http://val.serc.iisc.ernet.in/expresso/ ), який надає деякий графічний інтерфейс, який допоможе вам розпочати роботу.

Крім того, NVIDIA DIGITS ( https://developer.nvidia.com/digits ) також претендує на інтерактивний інструмент:

DIGITS спрощує загальні завдання глибокого навчання, такі як управління даними, проектування та навчання нейронних мереж на системах з багато GPU, моніторинг продуктивності в режимі реального часу з розширеними візуалізаціями та вибір найбільш ефективної моделі з браузера результатів для розгортання. DIGITS є повністю інтерактивною, щоб науковці могли зосередитись на розробці та навчанні мереж, а не на програмуванні та налагодженні.

Сподіваюся, це допомагає!

Процес пошуку оптимальної мережевої архітектури для вашої проблеми є сутністю процесу глибокого навчання - саме тут ви використовуєте свої попередні знання для оптимізації роботи.

Чесно кажучи, я насправді не бачу, як графічний інтерфейс, як ви запропонували, міг служити цій цілі, як:

• Щоб мати можливість оцінити задану архітектуру, вам потрібно навчити мережу на своїх даних (з нуля). Для глибоких нейронних мереж це процес, який може зайняти деякий час. Отже, якщо кожен клік, який ви здійснюєте, вимагає обчислення години, це майже повністю знімає всю перевагу графічного інтерфейсу.

• Більшість реалізацій (caffe, TensorFlow) мають такий простий синтаксис, що зміна архітектури (зміна шарів, налаштування гіперпараметрів) насправді зводиться лише до зміни значення однієї струни або константи: нічого, для чого вам дійсно не потрібен графічний інтерфейс.

Якщо, з іншого боку, те, що ви шукаєте, - це більш систематичний підхід до налаштування бізнесу параметрів, ви можете прочитати в автоматизованій настройці параметрів .

Так, є новий візуальний редактор для невеликих нейронних мереж під назвою "Нейронний мережевий конструктор", який доступний у Apple App Store для Mac.

Я працюю над користувальницьким інтерфейсом нейронної мережі перетягування (Ennui), який тренує веб-переглядач і дозволяє користувачам експортувати Python, створений кодом. У нас є різні шари, включаючи щільні, звивисті, макспулінг, batchnorm тощо. Будується також розгалуження моделей, таких як ResNets. Ми також здійснили кілька загальних візуалізацій.

Ось малюнок Енуї

Ось приклад візуалізації

Ви можете відвідати веб-сайт за адресою https://math.mit.edu/ennui

Реалізація з відкритим кодом знаходиться на веб- сайті https://github.com/martinjm97/ENNUI

Не соромтеся звертатися з коментарями чи запитаннями.