Saya bertanya-tanya apakah ada perpustakaan R yang bagus di luar sana untuk mempelajari jaringan saraf yang dalam? Aku tahu ada yang nnet
, neuralnet
dan RSNNS
, namun tidak satupun dari ini tampaknya menerapkan metode pembelajaran yang mendalam.
Saya terutama tertarik pada yang tidak diawasi diikuti oleh pembelajaran yang diawasi, dan menggunakan dropout untuk mencegah co-adaptasi .
/ edit: Setelah beberapa tahun, saya telah menemukan paket pembelajaran dalam h20 dirancang dengan sangat baik dan mudah dipasang. Saya juga suka paket mxnet , yang (sedikit) lebih sulit untuk diinstal tetapi mendukung hal-hal seperti covnets, berjalan pada GPU, dan sangat cepat.
Jawaban:
OpenSource h2o.deepLearning () adalah paket untuk belajar mendalam di R dari h2o.ai di sini ada artikel http://www.r-bloggers.com/things-to-try-after-user-part-1-deep-learning- dengan-h2o /
Dan kode: https://gist.github.com/woobe/3e728e02f6cc03ab86d8#file-link_data-r
sumber
Ada paket yang disebut "darch"
http://cran.um.ac.ir/web/packages/darch/index.html
Kutipan dari CRAN:
sumber
Ada paket baru untuk jaringan dalam di R: deepnet
Saya belum mencoba menggunakannya, tetapi sudah dimasukkan ke dalam paket caret .
sumber
Untuk menjawab pertanyaan saya sendiri, saya menulis sebuah paket kecil dalam R untuk RBM: https://github.com/zachmayer/rbm
Paket ini masih dalam pengembangan, dan saya tahu sedikit tentang RBM, jadi saya akan menyambut umpan balik (dan menarik permintaan!) Yang Anda miliki. Anda dapat menginstal paket menggunakan devtools :
Kode ini mirip dengan implementasi Andrew Landgraf di R dan implementasi Edwin Chen di python , tapi saya menulis fungsi agar mirip dengan fungsi pca di basis R dan menyertakan fungsionalitas untuk susun. Saya pikir ini sedikit lebih ramah pengguna daripada paket darch , yang saya tidak pernah tahu cara menggunakannya (bahkan sebelum dihapus dari CRAN).
Jika Anda menginstal paket gputools, Anda dapat menggunakan GPU untuk operasi matriks dengan fungsi rbm_gpu. Ini mempercepat banyak hal! Selain itu, sebagian besar pekerjaan dalam RBM dilakukan dengan operasi matriks, jadi hanya memasang BLAS yang bagus, seperti openBLAS juga akan mempercepat banyak hal.
Inilah yang terjadi ketika Anda menjalankan kode pada contoh dataset Edwin:
sumber
propack.svd()
darisvd
paket.?rbm
. Perhatikan bahwa rbm tidak diawasi.Anda dapat mencoba modul Pembelajaran Dalam H2O, didistribusikan dan menawarkan banyak teknik canggih seperti regularisasi putus sekolah dan tingkat pembelajaran adaptif.
Slides: http://www.slideshare.net/0xdata/h2o-deeplearning-nextml Video: https://www.youtube.com/watch?v=gAKbAQu900w&feature=youtu.be
Tutorial: http://learn.h2o.ai Data dan Skrip: http://data.h2o.ai
Dokumentasi: http://docs.h2o.ai GitBooks: http://gitbook.io/@h2o
sumber
Untuk menambahkan jawaban lain:
mxnet luar biasa, dan saya menyukainya Sedikit sulit untuk menginstal, tetapi mendukung GPU dan banyak CPU. Jika Anda akan melakukan pembelajaran mendalam dalam R (terutama pada gambar), saya sangat menyarankan Anda mulai dengan mxnet.
sumber
Meskipun saya belum menemukan perpustakaan pembelajaran mendalam yang didedikasikan untuk R, saya telah mengalami diskusi serupa tentang r-blogger. Diskusi berpusat pada penggunaan RBM (Mesin Boltzman Terbatas). Lihatlah tautan berikut -
http://www.r-bloggers.com/restricted-boltzmann-machines-in-r/ (mem-posting ulang dari 'alandgraf.blogspot.com')
Penulis benar-benar melakukan pekerjaan yang sangat baik merangkum algoritma yang diimplementasikan sendiri dalam R. Harus dikatakan bahwa saya belum memeriksa validitas kode, tetapi setidaknya ada sedikit pembelajaran mendalam yang mulai terlihat di R.
Saya harap ini membantu.
sumber
gputools
dan coba gunakan trik preload di Linux untuk mempercepat GEMM, di sini .Anda sekarang dapat juga menggunakan TensorFlow dari R:
https://rstudio.github.io/tensorflow/
sumber