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

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

Belum memiliki operasi tingkat rendah untuk implementasi algoritma. Tetapi mereka sedang mengerjakan masalah ini ( https://github.com/dmlc/mxnet/issues/586 )

— itdxer
sumber

3

Pada Oktober 2016 ada juga pembungkus Tensorflow untuk Julia:

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

— davidparks21
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

1

Satu perpustakaan baru untuk dilihat juga adalah Knet.jl. Ini akan melakukan hal-hal seperti menggunakan GPU di bawah tenda.

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

— Chris Rackauckas
sumber