Perpustakaan Julia terbaik untuk jaringan saraf

12

Saya telah menggunakan perpustakaan ini untuk konstruksi dan analisis jaringan saraf dasar.

Namun, itu tidak memiliki dukungan untuk membangun jaringan saraf berlapis-lapis, dll.

Jadi, saya ingin tahu ada perpustakaan yang bagus untuk melakukan jaringan saraf canggih dan Deep Learning di Julia.

machine-learning neural-network julia Dawny33
sumber
1
github.com/dmlc/MXNet.jl
itdxer
1
@itdxer Terima kasih atas tautannya. Bisakah Anda menjadikannya sebagai jawaban dengan menguraikannya?
Dawny33

Jawaban:

7

Mocha.jl - Mocha adalah kerangka Belajar Dalam untuk Julia, terinspirasi oleh C ++ framework Caffe.

Proyeksikan dengan dokumentasi dan contoh yang baik. Dapat dijalankan di CPU dan GPU backend.

Bartłomiej Twardowski
sumber
1
Saya pikir mereka berhenti mengembangkan Mocha dan MXNet adalah cara untuk maju. Lihat komentar malmaud di sini: github.com/pluskid/Mocha.jl/issues/157
niczky12
Saya telah menggunakan Mocha untuk sementara waktu, ada beberapa masalah dan tidak memiliki komunitas, saya setuju bahwa MXNet adalah tempat pengembangan aktif. Ada juga pembungkus Julia untuk Tensorflow: github.com/malmaud/TensorFlow.jl (disclamer: Saya belum pernah menggunakan, MXNet atau TF Julia Wrapper)
davidparks21
9

Paket MXNet Julia - pembelajaran mendalam yang fleksibel dan efisien di Julia

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

Pro

  • Cepat
  • Memperbesar hingga multi GPU dan pengaturan terdistribusi dengan paralelisme otomatis.
  • Ringan, hemat memori, dan portabel untuk perangkat pintar.
  • Diferensiasi otomatis

Cons

itdxer
sumber
2

Hanya untuk menambahkan jawaban yang lebih baru (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.

Sebagai contoh:

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
sumber