Bibliotecas R para aprendizaje profundo


56

Me preguntaba si hay buenas bibliotecas R para redes neuronales de aprendizaje profundo. Sé que está el nnet,, neuralnety RSNNS, pero ninguno de estos parece implementar métodos de aprendizaje profundo.

Estoy especialmente interesado en el aprendizaje no supervisado seguido del aprendizaje supervisado y en el uso de la deserción escolar para evitar la coadaptación .

/ editar: Después de unos años, he encontrado que el paquete de aprendizaje profundo h20 está muy bien diseñado y es fácil de instalar. También me encanta el paquete mxnet , que es (un poco) más difícil de instalar pero admite cosas como covnets, se ejecuta en GPU y es realmente rápido.


1
Relacionado: stats.stackexchange.com/questions/40598/… Según mi conocimiento, estos métodos no están disponibles (públicamente) en R.
Momo

@Momo: Gracias por el enlace. ¿Hay algún código público C, C ++ o fortran que pueda llamarse desde R?
Zach

44
Echa un vistazo a la biblioteca CUV o Eblearn (más aquí deeplearning.net/software_links ) Las bibliotecas de Python podrían ser una buena alternativa a R.
Momo


ver implementar por R aquí .
Patric

Respuestas:


19

OpenSource h2o.deepLearning () es un paquete para profundizar el aprendizaje en R desde h2o.ai aquí hay un escrito http://www.r-bloggers.com/things-to-try-after-user-part-1-deep-learning- con-h2o /

Y código: https://gist.github.com/woobe/3e728e02f6cc03ab86d8#file-link_data-r

######## *Convert Breast Cancer data into H2O*
dat <- BreastCancer[, -1]  # remove the ID column
dat_h2o <- as.h2o(localH2O, dat, key = 'dat')

######## *Import MNIST CSV as H2O*
dat_h2o <- h2o.importFile(localH2O, path = ".../mnist_train.csv")

######## *Using the DNN model for predictions*
h2o_yhat_test <- h2o.predict(model, test_h2o)

######## *Converting H2O format into data frame*
df_yhat_test <- as.data.frame(h2o_yhat_test)

######## Start a local cluster with 2GB RAM
library(h2o)
localH2O = h2o.init(ip = "localhost", port = 54321, startH2O = TRUE, 
                    Xmx = '2g') 
########Execute deeplearning

model <- h2o.deeplearning( x = 2:785,  # column numbers for predictors
               y = 1,   # column number for label
               data = train_h2o, # data in H2O format
               activation = "TanhWithDropout", # or 'Tanh'
               input_dropout_ratio = 0.2, # % of inputs dropout
               hidden_dropout_ratios = c(0.5,0.5,0.5), # % for nodes dropout
               balance_classes = TRUE, 
               hidden = c(50,50,50), # three layers of 50 nodes
               epochs = 100) # max. no. of epochs

19

Hay un paquete llamado "darch"

http://cran.um.ac.ir/web/packages/darch/index.html

Cita de CRAN:

darch: paquete para arquitecturas profundas y máquinas de Bolzmann restringido

El paquete darch se basa en el código de GE Hinton y RR Salakhutdinov (disponible bajo el Código Matlab para redes de creencias profundas: última visita: 01.08.2013). Este paquete es para generar redes neuronales con muchas capas (arquitecturas profundas) y entrenarlas con el método introducido por las publicaciones "Un algoritmo de aprendizaje rápido para redes de creencias profundas" (GE Hinton, S. Osindero, YW Teh) y "Reducir la dimensionalidad de datos con redes neuronales "(GE Hinton, RR Salakhutdinov). Este método incluye un entrenamiento previo con el método de divergencia contrastante publicado por GE Hinton (2002) y un ajuste fino con algoritmos de entrenamiento conocidos comunes como retropropagación o gradiente conjugado.


¡Se acaba de archivar! :-(
poder

3
Darch está de vuelta en CRAN!
Zach

¿Ha encontrado algún ejemplo para entrenar una red de creencias profundas con este paquete y luego usarlo para predecir nuevos datos? Me parece que la interfaz que utiliza es muy poco intuitiva.
Zach

No, no lo he hecho. ¿No hay ejemplos? De lo contrario, podría publicarlos en este sitio y "responder a su propia pregunta" y obtener más puntos de reputación.
poder

1
Los publicaré si encuentro alguno. Hasta ahora, los documentos tienen algunos ejemplos de redes de adaptación, pero no ejemplos de predicción. Y algunos de los ejemplos adecuados tienen errores.
Zach

13

Hay otro nuevo paquete para redes profundas en R: deepnet

Todavía no he intentado usarlo, pero ya se ha incorporado al paquete de caret .


12

Para responder a mi propia pregunta, escribí un pequeño paquete en R para RBM: https://github.com/zachmayer/rbm

Este paquete aún está en desarrollo, y sé muy poco acerca de los RBM, por lo que agradecería cualquier comentario (y solicitudes de extracción) que tenga. Puede instalar el paquete usando devtools :

devtools:::install_github('zachmayer/rbm')
library(rbm)
?rbm
?rbm_gpu
?stacked_rbm

El código es similar a la implementación de Andrew Landgraf en R y la implementación de Edwin Chen en python , pero escribí que la función es similar a la función pca en la base R e incluye funcionalidad para el apilamiento. Creo que es un poco más fácil de usar que el paquete Darch , que nunca pude descubrir cómo usar (incluso antes de que fuera eliminado de CRAN).

Si tiene instalado el paquete gputools , puede usar su GPU para operaciones matriciales con la función rbm_gpu. ¡Esto acelera mucho las cosas! Además, la mayor parte del trabajo en un RBM se realiza con operaciones matriciales, por lo que solo instalar un buen BLAS, como openBLAS , también acelerará mucho las cosas.

Esto es lo que sucede cuando ejecuta el código en el conjunto de datos de ejemplo de Edwin:

set.seed(10)
print('Data from: https://github.com/echen/restricted-boltzmann-machines')
Alice <- c('Harry_Potter' = 1, Avatar = 1, 'LOTR3' = 1, Gladiator = 0, Titanic = 0, Glitter = 0) #Big SF/fantasy fan.
Bob <- c('Harry_Potter' = 1, Avatar = 0, 'LOTR3' = 1, Gladiator = 0, Titanic = 0, Glitter = 0) #SF/fantasy fan, but doesn't like Avatar.
Carol <- c('Harry_Potter' = 1, Avatar = 1, 'LOTR3' = 1, Gladiator = 0, Titanic = 0, Glitter = 0) #Big SF/fantasy fan.
David <- c('Harry_Potter' = 0, Avatar = 0, 'LOTR3' = 1, Gladiator = 1, Titanic = 1, Glitter = 0) #Big Oscar winners fan.
Eric <- c('Harry_Potter' = 0, Avatar = 0, 'LOTR3' = 1, Gladiator = 1, Titanic = 0, Glitter = 0) #Oscar winners fan, except for Titanic.
Fred <- c('Harry_Potter' = 0, Avatar = 0, 'LOTR3' = 1, Gladiator = 1, Titanic = 1, Glitter = 0) #Big Oscar winners fan.
dat <- rbind(Alice, Bob, Carol, David, Eric, Fred)

#Fit a PCA model and an RBM model
PCA <- prcomp(dat, retx=TRUE)
RBM <- rbm_gpu(dat, retx=TRUE, num_hidden=2)

#Examine the 2 models
round(PCA$rotation, 2) #PCA weights
    round(RBM$rotation, 2) #RBM weights

1
Si está utilizando PCA, intente propack.svd()desde el svdpaquete.
poder

@power: solo estoy usando PCA como comparación, pero gracias por el consejo. irlba también es un excelente paquete para hacer svd.
Zach

¿Su nuevo paquete proporciona la capacitación de "deserción"?
DavideChicco.it

@ DavideChicco.it Sí, eche un vistazo al archivo de ayuda ?rbm. Tenga en cuenta que los rbm no están supervisados.
Zach

¿Zach incorpora esto redes neuronales recurrentes? Esta es un área grande para series de tiempo para las que estaba buscando mudarme a Python.
Modelo oculto de Markov

11

Puede probar el módulo de aprendizaje profundo de H2O, se distribuye y ofrece muchas técnicas avanzadas, como la regularización de abandono y la tasa de aprendizaje adaptativo.

Diapositivas: http://www.slideshare.net/0xdata/h2o-deeplearning-nextml Video: https://www.youtube.com/watch?v=gAKbAQu900w&feature=youtu.be

Tutoriales: http://learn.h2o.ai Datos y secuencias de comandos: http://data.h2o.ai

Documentación: http://docs.h2o.ai GitBooks: http://gitbook.io/@h2o


Si usted (el editor) es la misma persona que el respondedor original, combine sus cuentas. Entonces podrás editar tus propias publicaciones. Puede obtener información sobre cómo fusionar sus cuentas en nuestro centro de ayuda .
gung - Restablece a Monica

6

Para agregar otra respuesta:

mxnet es increíble, y me encanta Es un poco difícil de instalar, pero admite GPU y múltiples CPU. Si va a hacer un aprendizaje profundo en R (particularmente en imágenes), le recomiendo que comience con mxnet.


+1, sí mxnet está totalmente implementado por C ++ / CUDA, ¡así que es muy eficiente!
Patric

5

Si bien no he encontrado una biblioteca de aprendizaje profundo dedicada para R, me he encontrado con una discusión similar en r-bloggers. La discusión se centra en el uso de RBM (Restricted Boltzman Machines). Echa un vistazo al siguiente enlace:

http://www.r-bloggers.com/restricted-boltzmann-machines-in-r/ (publicado de 'alandgraf.blogspot.com')

El autor realmente hace un buen trabajo encapsulando un algoritmo auto implementado en R. Hay que decir que aún no he investigado la validez del código, pero al menos hay un destello de aprendizaje profundo que comienza a mostrarse en R.

Espero que esto ayude.


También he visto este código, gracias por vincularlo. Es bueno ver que los RBM comienzan a aparecer en R, pero siento que R aún está años atrás de Python en términos de aprendizaje profundo. ¡Me encantaría ver algunas bibliotecas completas para redes neuronales modernas!
Zach

Te escucho allí Zach. Tengo muchas ganas de profundizar en el curso de Neural Net de Hinton en Coursera. El encanto de Theano me está empujando de cabeza a Python nuevamente.
Ardenas

Exactamente. Theano es muy atractivo!
Zach

Parece que el paquete gputools implementa algunas de las operaciones de matriz gpu que se encuentran en theaono: cran.r-project.org/web/packages/gputools/index.html
Zach

@Zach que casi no necesita gputoolsy considere usar el truco de precarga en Linux para acelerar GEMM, aquí .
Patric

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.