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

Antworten:

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

itdxer
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