Melhor biblioteca Julia para redes neurais

12

Eu tenho usado essa biblioteca para construção e análise básicas de redes neurais.

No entanto, ele não tem suporte para a construção de redes neurais de várias camadas, etc.

Então, eu gostaria de saber de alguma biblioteca agradável para fazer redes neurais avançadas e Deep Learning em Julia.

machine-learning neural-network julia

— Dawny33
fonte

1

github.com/dmlc/MXNet.jl

— itdxer

1

@itdxer Obrigado pelo link. Você pode colocar isso como uma resposta, elaborando sobre isso?

— Dawny33

7

Mocha.jl - Mocha é uma estrutura de Deep Learning para Julia, inspirada na estrutura C ++ Caffe.

Projeto com boa documentação e exemplos. Pode ser executado no back-end da CPU e GPU.

— Bartłomiej Twardowski
fonte

1

Eu acho que eles pararam de desenvolver o Mocha e o MXNet é o caminho a seguir. Veja o comentário de malmaud aqui: github.com/pluskid/Mocha.jl/issues/157

— niczky12

Eu uso o Mocha há algum tempo, ele tem alguns problemas e carece de uma comunidade. Concordo que o MXNet é onde está o desenvolvimento ativo. Há também um invólucro Julia para Tensorflow: github.com/malmaud/TensorFlow.jl (DISCLAMER: Eu não tenho usado tanto, MXNet ou o TF Julia Wrapper)

— davidparks21

9

Pacote MXNet Julia - aprendizado profundo flexível e eficiente em Julia

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

Prós

Rápido
Escala até várias GPUs e configuração distribuída com paralelismo automático.
Leve, eficiente em termos de memória e portátil para dispositivos inteligentes.
Diferenciação automática

Contras

Ainda não possui operações de baixo nível para implementação de algoritmo. Mas eles estão trabalhando nessa questão ( https://github.com/dmlc/mxnet/issues/586 )

— itdxer
fonte

3

Desde outubro de 2016, também há um wrapper Tensorflow para Julia:

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

— davidparks21
fonte

2

Apenas para adicionar uma resposta mais recente (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 exemplo:

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
fonte

1

Uma biblioteca mais nova de se ver também é Knet.jl. Ele fará coisas como usar GPUs ocultas.

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

— Chris Rackauckas
fonte