तंत्रिका नेटवर्क के लिए सर्वश्रेष्ठ जूलिया पुस्तकालय

12

मैं बुनियादी तंत्रिका नेटवर्क निर्माण और विश्लेषण के लिए इस पुस्तकालय का उपयोग कर रहा हूं।

हालांकि, इसमें बहु-स्तरित तंत्रिका नेटवर्क आदि के निर्माण के लिए समर्थन नहीं है।

इसलिए, मैं उन्नत तंत्रिका नेटवर्क और जूलिया में डीप लर्निंग के लिए किसी भी अच्छे पुस्तकालय के बारे में जानना चाहूंगा।

machine-learning neural-network julia

— Dawny33
स्रोत

1

github.com/dmlc/MXNet.jl

— itdxer

1

@itdxer लिंक के लिए धन्यवाद। क्या आप इसके बारे में विस्तृत रूप से एक उत्तर के रूप में रख सकते हैं?

— Dawny33

7

मोचा.ज्ल - मोचा जूलिया के लिए एक डीप लर्निंग फ्रेमवर्क है, जो C ++ फ्रेमवर्क कैफ से प्रेरित है।

अच्छे प्रलेखन और उदाहरणों के साथ प्रोजेक्ट करें । सीपीयू और जीपीयू बैकएंड पर चलाया जा सकता है।

— बार्टोलोमिएज टार्डोव्स्की
स्रोत

1

मुझे लगता है कि उन्होंने मोचा को विकसित करना बंद कर दिया और एमएक्सनेट आगे बढ़ने का रास्ता है। माल्मूद की टिप्पणी यहाँ देखें: github.com/pluskid/Mocha.jl/issues/157

— niczky12

मैंने थोड़ी देर के लिए मोचा का उपयोग किया है, यह कुछ मुद्दों पर मिला है और इसमें एक समुदाय का अभाव है, मैं कहता हूं कि एमएक्सनेट जहां सक्रिय विकास है। Tensorflow के लिए एक जूलिया रैपर भी है: github.com/malmaud/TensorFlow.jl (डिस्क्लेमर: मैंने या तो इस्तेमाल नहीं किया है, एमएक्सनेट या टीएफ जूलिया रैपर)

— davidparks.com

9

एमएक्सनेट जूलिया पैकेज - जूलिया में लचीला और कुशल गहरा सीखने

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

पेशेवरों

तेज
मल्टी जीपीयू तक स्केल और ऑटो समांतरता के साथ सेटिंग वितरित।
लाइटवेट, मेमोरी कुशल और पोर्टेबल से स्मार्ट डिवाइस।
स्वचालित भेदभाव

विपक्ष

एल्गोरिथ्म कार्यान्वयन के लिए अभी तक निम्न स्तर के संचालन नहीं हैं। लेकिन वे इस मुद्दे पर काम कर रहे हैं ( https://github.com/dmlc/mxnet/issues/586 )

— itdxer
स्रोत

3

अक्टूबर 2016 तक जूलिया के लिए भी टेंसरफ्लो रैपर है:

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

— davidparks21
स्रोत

2

बस एक और हालिया (2019) उत्तर जोड़ने के लिए: फ्लक्स ।

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.

उदाहरण के लिए:

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(...))

— वेन
स्रोत

1

साथ ही देखने के लिए एक नई लाइब्रेरी Knet.jl है। यह हुड के तहत GPU का उपयोग करने जैसी चीजें करेगा।

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

— क्रिस रैकॉकास
स्रोत