La mejor biblioteca de Julia para redes neuronales

12

He estado usando esta biblioteca para la construcción y análisis básicos de redes neuronales.

Sin embargo, no tiene soporte para construir redes neuronales de varias capas, etc.

Por lo tanto, me gustaría conocer cualquier biblioteca agradable para hacer redes neuronales avanzadas y aprendizaje profundo en Julia.

machine-learning neural-network julia

— Dawny33
fuente

1

github.com/dmlc/MXNet.jl

— itdxer

1

@itdxer Gracias por el enlace. ¿Puedes poner eso como una respuesta al elaborarlo?

— Dawny33

7

Mocha.jl : Mocha es un marco de Deep Learning para Julia, inspirado en el marco de C ++ Caffe.

Proyecto con buena documentación y ejemplos. Se puede ejecutar en CPU y GPU back-end.

— Bartłomiej Twardowski
fuente

1

Creo que dejaron de desarrollar Mocha y MXNet es el camino a seguir. Vea el comentario de malmaud aquí: github.com/pluskid/Mocha.jl/issues/157

— niczky12

He usado Mocha por un tiempo, tiene algunos problemas y carece de una comunidad, estoy de acuerdo en que MXNet es donde está el desarrollo activo. También hay un contenedor de Julia para Tensorflow: github.com/malmaud/TensorFlow.jl ( descargo de responsabilidad: tampoco he usado MXNet o el TF Julia Wrapper)

— davidparks21

9

Paquete MXNet Julia: aprendizaje profundo flexible y eficiente en Julia

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

Pros

Rápido
Escala hasta múltiples GPU y configuración distribuida con paralelismo automático.
Ligero, eficiente en memoria y portátil a dispositivos inteligentes.
Diferenciación automática

Contras

Todavía no tiene operaciones de bajo nivel para la implementación de algoritmos. Pero están trabajando en este problema ( https://github.com/dmlc/mxnet/issues/586 )

— itdxer
fuente

3

A partir de octubre de 2016 también hay un contenedor Tensorflow para Julia:

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

— davidparks21
fuente

2

Solo para agregar una respuesta más reciente (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.

Por ejemplo:

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
fuente

1

Una biblioteca más nueva para mirar también es Knet.jl. Hará cosas como usar GPU debajo del capó.

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

— Chris Rackauckas
fuente