Gibt es ein visuelles Werkzeug zum Entwerfen und Anwenden von neuronalen Netzen / Deep Learning? [geschlossen]

Ich weiß, dass es viele Bibliotheken für maschinelles Lernen und tiefes Lernen gibt, wie Kaffee, Theano, TensorFlow, Keras, ... Aber für mich scheint es, als müsste ich die Architektur des neuronalen Netzes kennen, die ich verwenden möchte.

Gibt es ein (visuelles) Tool, mit dem Sie mit verschiedenen Netzwerkdesigns experimentieren und diese auf eigene Daten anwenden können?

Ich denke an etwas wie den TensorFlow-Spielplatz , aber mit n-dimensionalen Daten und verschiedenen Ebenentypen.

Danke im Voraus!

Ja, es stehen viele Tools zum Entwerfen und Anwenden von neuronalen Netzwerken per Drag & Drop zur Verfügung. Eines davon ist Deep Learning Studio. Entwickelt von Deep Cognition Inc, bietet ihre robuste Deep Learning-Plattform mit einer visuellen Schnittstelle in der Produktion eine umfassende Lösung für die Datenaufnahme , Modellentwicklung, Schulung, Bereitstellung und Verwaltung. Deep Learning Studio-Benutzer können durch robuste Integration in TensorFlow, MXNet und Keras schnell Deep Learning-Lösungen entwickeln und bereitstellen.

Ihre Auto-ML-Funktion generiert automatisch das neuronale Netzwerkmodell.

Für caffe gibt es ein Drittanbieter-Tool namens Expresso ( http://val.serc.iisc.ernet.in/expresso/ ), das eine grafische Benutzeroberfläche bietet, die Ihnen den Einstieg erleichtert.

Darüber hinaus behauptet NVIDIA DIGITS ( https://developer.nvidia.com/digits ), auch ein interaktives Tool zu sein:

DIGITS vereinfacht allgemeine Deep-Learning-Aufgaben wie das Verwalten von Daten, das Entwerfen und Trainieren neuronaler Netze auf Multi-GPU-Systemen, das Überwachen der Leistung in Echtzeit mit erweiterten Visualisierungen und das Auswählen des leistungsstärksten Modells aus dem Ergebnisbrowser für die Bereitstellung. DIGITS ist vollständig interaktiv, sodass sich Datenwissenschaftler auf das Entwerfen und Trainieren von Netzwerken konzentrieren können, anstatt zu programmieren und zu debuggen.

Hoffe das hilft!

Der Prozess der Suche nach der optimalen Netzwerkarchitektur für Ihr Problem ist das Herzstück des Deep-Learning-Prozesses. Hier nutzen Sie Ihr Vorwissen, um die Leistung zu optimieren.

Ehrlich gesagt sehe ich nicht wirklich, wie eine von Ihnen vorgeschlagene Benutzeroberfläche diesem Zweck dienen könnte, wie:

• Um eine bestimmte Architektur beurteilen zu können, müssen Sie das Netz auf Ihre Daten trainieren (von Grund auf neu). Für tiefe neuronale Netze ist dies ein Prozess, der eine Weile dauern kann. Wenn also jeder Klick, den Sie machen, eine Stunde Berechnung erfordert, wird so ziemlich der gesamte Vorteil einer grafischen Benutzeroberfläche ausgeschöpft.

• Die meisten Implementierungen (caffe, TensorFlow) haben eine so einfache Syntax, dass das Ändern der Architektur (Ändern von Ebenen, Optimieren der Hyperparameter) nur darauf hinausläuft, den Wert einer einzelnen Zeichenfolge oder Konstante zu ändern: nichts, wofür Sie wirklich eine GUI benötigen.

Wenn Sie andererseits nach einem systematischeren Ansatz für das Parameter-Tuning-Geschäft suchen, können Sie sich über das automatisierte Parameter-Tuning informieren .

Ja, es gibt einen neuen visuellen Editor für kleine neuronale Netze namens "Neural Network Designer", der im Apple App Store für Mac erhältlich ist.

Ich habe an einer Drag-and-Drop-Benutzeroberfläche für neuronale Netze (Ennui) gearbeitet, die im Browser trainiert und es Benutzern ermöglicht, Code-generiertes Python zu exportieren. Wir haben verschiedene Ebenen, einschließlich dicht, Faltung, Maxpooling, Batchnorm usw. Das Erstellen von verzweigten Modellen wie ResNets wird ebenfalls unterstützt. Wir haben auch einige gängige Visualisierungen implementiert.

Hier ist ein Bild von Ennui

Hier ist eine Beispielvisualisierung

Sie können die Website unter https://math.mit.edu/ennui besuchen

Die Open-Source-Implementierung finden Sie unter https://github.com/martinjm97/ENNUI

Fühlen Sie sich frei, mit Kommentaren oder Fragen zu erreichen.