Beste Julia-Bibliothek für neuronale Netze

12

Ich habe diese Bibliothek für den Aufbau und die Analyse von neuronalen Netzen verwendet.

Es wird jedoch nicht unterstützt, mehrschichtige neuronale Netze usw. aufzubauen.

Daher würde ich gerne wissen, welche Bibliotheken für fortgeschrittene neuronale Netze und Deep Learning in Julia gut geeignet sind.

machine-learning neural-network julia

— Dawny33
quelle

1

github.com/dmlc/MXNet.jl

— itdxer

1

@itdxer Danke für den Link. Können Sie das als Antwort geben, indem Sie näher darauf eingehen?

— Dawny33

7

Mocha.jl - Mocha ist ein Deep Learning-Framework für Julia, das vom C ++ - Framework Caffe inspiriert wurde.

Projekt mit guter Dokumentation und Beispielen. Kann auf CPU- und GPU-Backend ausgeführt werden.

— Bartłomiej Twardowski
quelle

1

Ich denke, sie haben aufgehört, Mocha zu entwickeln, und MXNet ist der Weg, weiterzumachen. Siehe malmauds Kommentar hier: github.com/pluskid/Mocha.jl/issues/157

— niczky12

Ich habe Mocha eine Weile benutzt, es gibt einige Probleme und es fehlt eine Community. Ich stimme zu, dass MXNet der Ort ist, an dem aktive Entwicklung stattfindet. Es gibt auch einen Julia-Wrapper für Tensorflow: github.com/malmaud/TensorFlow.jl (Hinweisgeber: Ich habe weder MXNet noch den TF Julia-Wrapper verwendet)

— davidparks21

9

MXNet Julia Package - Flexibles und effizientes Deep Learning in Julia

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

Vorteile

Schnell
Skalierbar auf mehrere GPUs und verteilte Einstellungen mit automatischer Parallelisierung.
Leicht, speichereffizient und tragbar für intelligente Geräte.
Automatische Differenzierung

Nachteile

Hat noch keine Operationen auf niedriger Ebene für die Implementierung des Algorithmus. Aber sie arbeiten an diesem Problem ( https://github.com/dmlc/mxnet/issues/586 )

— itdxer
quelle

3

Ab Oktober 2016 gibt es auch einen Tensorflow-Wrapper für Julia:

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

— davidparks21
quelle

2

Nur um eine neuere (2019) Antwort hinzuzufügen: 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.

Beispielsweise:

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
quelle

1

Eine neuere Bibliothek ist Knet.jl. Es wird Dinge wie die Verwendung von GPUs unter der Haube tun.

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

— Chris Rackauckas
quelle