Migliore libreria Julia per reti neurali

12

Ho usato questa libreria per la costruzione e l'analisi di base della rete neurale.

Tuttavia, non ha supporto per la costruzione di reti neurali multistrato, ecc.

Quindi, vorrei sapere di tutte le belle biblioteche per fare reti neurali avanzate e Deep Learning in Julia.

machine-learning neural-network julia

— Dawny33
fonte

1

github.com/dmlc/MXNet.jl

— itdxer

1

@itdxer Grazie per il link. Puoi metterlo come una risposta elaborandoci?

— Dawny33

7

Mocha.jl - Mocha è un framework Deep Learning per Julia, ispirato al framework C ++ Caffe.

Progetto con buona documentazione ed esempi. Può essere eseguito su backend CPU e GPU.

— Bartłomiej Twardowski
fonte

1

Penso che abbiano smesso di sviluppare Mocha e MXNet è la strada da percorrere. Vedi il commento di Malmaud qui: github.com/pluskid/Mocha.jl/issues/157

— niczky12

Ho usato Mocha per un po ', ha alcuni problemi e manca una comunità, sono d'accordo che MXNet è dove si trova lo sviluppo attivo. C'è anche un wrapper Julia per Tensorflow: github.com/malmaud/TensorFlow.jl (divulgatore: non ho usato né MXNet né TF Julia Wrapper)

— davidparks21

9

Pacchetto MXNet Julia - apprendimento profondo flessibile ed efficiente in Julia

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

Professionisti

Veloce
Scala fino a più GPU e impostazioni distribuite con parallelismo automatico.
Leggero, efficiente nella memoria e portatile per dispositivi intelligenti.
Differenziazione automatica

Contro

Non ha ancora operazioni di basso livello per l'implementazione dell'algoritmo. Ma stanno lavorando su questo problema ( https://github.com/dmlc/mxnet/issues/586 )

— itdxer
fonte

3

A partire da ottobre 2016 c'è anche un wrapper Tensorflow per Julia:

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

— davidparks21
fonte

2

Solo per aggiungere una risposta più recente (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.

Per esempio:

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
fonte

1

Una libreria più recente da guardare è Knet.jl. Farà cose come usare le GPU sotto il cofano.

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

— Chris Rackauckas
fonte