নিউরাল নেটওয়ার্কগুলির জন্য সেরা জুলিয়া গ্রন্থাগার

Question

আমি এই গ্রন্থাগারটি বেসিক নিউরাল নেটওয়ার্ক নির্মাণ এবং বিশ্লেষণের জন্য ব্যবহার করে আসছি।

তবে মাল্টি-লেয়ার্ড নিউরাল নেটওয়ার্ক ইত্যাদির জন্য এটির সমর্থন নেই etc.

সুতরাং, আমি জুলিয়ায় উন্নত নিউরাল নেটওয়ার্কগুলি এবং ডিপ লার্নিংয়ের জন্য কোনও দুর্দান্ত গ্রন্থাগার সম্পর্কে জানতে চাই।

Comments

github.com/dmlc/MXNet.jl

— itdxer

@itdxer লিঙ্কটির জন্য আপনাকে ধন্যবাদ। আপনি এটি সম্পর্কে বিস্তারিতভাবে উত্তর দিয়ে রাখতে পারেন?

— ডাউনি 33

Answer 1

মোচা.জেএল - সিচ ++ ফ্রেমওয়ার্ক ক্যাফে দ্বারা অনুপ্রাণিত জুলিয়ার জন্য মোচা একটি গভীর শিক্ষা কাঠামো।

ভাল ডকুমেন্টেশন এবং উদাহরণ সহ প্রকল্প । সিপিইউ এবং জিপিইউ ব্যাকএন্ডে চালানো যেতে পারে।

Comments

আমি মনে করি তারা মোচা বিকাশ বন্ধ করে দিয়েছে এবং এমএক্সনেটই এগিয়ে যাওয়ার পথ। ম্যালমডের মন্তব্যটি এখানে দেখুন: github.com/pluskid/Mocha.jl/issues/157

— নিকজকি 12

আমি মোচাকে কিছুক্ষণ ব্যবহার করেছি, এতে কিছু সমস্যা হয়েছে এবং এতে কোনও সম্প্রদায় নেই, আমি সম্মতি দিয়েছি যে সক্রিয় উন্নয়ন যেখানে এমএক্সনেট is টেনসরফ্লোতে জুলিয়া র‍্যাপারটিও রয়েছে: github.com/malmaud/TensorFlow.jl (অস্বীকৃতি: আমি কোনওটিই ব্যবহার করিনি, এমএক্সনেট বা টিএফ জুলিয়া র্যাপার)

— ডেভিডপর্ক 21

Answer 2

এমএক্সনেট জুলিয়া প্যাকেজ - জুলিয়ায় নমনীয় এবং দক্ষ গভীর শিক্ষা

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

পেশাদাররা

• দ্রুত
• একাধিক জিপিইউ পর্যন্ত স্কেল এবং অটো সমান্তরালতার সাথে বিতরণ সেটিং।
• লাইটওয়েট, মেমরি দক্ষ এবং স্মার্ট ডিভাইসে পোর্টেবল।
• স্বয়ংক্রিয় পার্থক্য

কনস

• অ্যালগরিদম বাস্তবায়নের জন্য এখনও নিম্ন স্তরের অপারেশন নেই। তবে তারা এই ইস্যুতে কাজ করছে ( https://github.com/dmlc/mxnet/issues/586 )

Answer 3

অক্টোবর ২০১ of পর্যন্ত জুলিয়ার জন্য একটি টেনসরফ্লো মোড়ক রয়েছে:

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

Answer 4

কেবলমাত্র একটি সাম্প্রতিক (2019) উত্তর যুক্ত করতে: ফ্লাক্স ।

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.

উদাহরণ স্বরূপ:

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(...))

Answer 5

পাশাপাশি দেখার জন্য একটি নতুন গ্রন্থাগার হ'ল Knet.jl. এটি হুডের নীচে জিপিইউগুলি ব্যবহারের মতো কাজ করবে।

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