阅读更多
深度学习是机器学习和人工智能的一种形式,利用堆积在彼此顶部的神经网络的多个隐藏层来尝试形成对数据更深层次的“理解”。

最近,深度神经网络以“Deep Dreams”形式在网站中如雨后春笋般出现,或是像谷歌研究原创论文中描述的那样:Inceptionism。

在这篇文章中,我们将讨论几个不同的深度学习框架,库以及工具。



Python深度学习

Theano

主页:http://deeplearning.net/software/theano/

Github网址:https://github.com/Theano/Theano

Theano不仅是这篇文章中将要讨论的其他框架的核心库,于其自身而言,它也是一个强大的库,几乎能在任何情况下使用,从简单的logistic回归到建模并生成音乐和弦序列或是使用长短期记忆人工神经网络对电影收视率进行分类。

Theano大部分代码是使用Cython编写,Cython是一个可编译为本地可执行代码的Python方言,与仅仅使用解释性Python语言相比,它能够使运行速度快速提升。最重要的是,很多优化程序已经集成到Theano库中,它能够优化你的计算量并让你的运行时间保持最低。

如果速度的提升还不能满足你,它还内置支持使用CUDA在GPU上执行那些所有耗时的计算。所有的这一切仅仅只需要修改配置文件中的标志位即可。在CPU上运行一个脚本,然后切换到GPU,而对于你的代码,则不需要做任何变化。

同时我们应该注意到,尽管Theano使用Cython和CUDA对其性能大大提升,但你仍然可以仅仅使用Python语言来创建几乎任何类型的神经网络结构。

Pylearn2

主页:http://deeplearning.net/software/pylearn2/

Github网址:https://github.com/lisa-lab/pylearn2

Pylearn2和Theano由同一个开发团队开发,Pylearn2是一个机器学习库,它把深度学习和人工智能研究许多常用的模型以及训练算法封装成一个单一的实验包,如随机梯度下降。

你也可以很轻松的围绕你的类和算法编写一个封装程序,为了能让它在Pylearn2上运行,你需要在一个单独的YAML格式的配置文件中配置你整个神经网络模型的参数。

除此之外,它还有很多数据集及其预编译好的软件包,所以,你现在就可以直接使用MNIST数据集开始做实验了!

Blocks

Github网址:https://github.com/mila-udem/blocks

Blocks是一个非常模块化的框架,有助于你在Theano上建立神经网络。目前它支持并提供的功能有:
  • 构建参数化Theano运算,称之为“bricks”。
  • 在大型模型中使用模式匹配来选择变量以及“bricks”。
  • 使用算法优化模型。
  • 训练模型的保存和恢复。
  • 在训练过程中检测和分析值(训练集以及测试集)。
  • 图形变换的应用,如dropout。

Keras

主页:http://keras.io/

Github网址:https://github.com/fchollet/keras

Keras是一个简约的、高度模块化的神经网络库,设计参考了Torch,基于Theano和Python语言编写,支持GPU和CPU。它的开发侧重于实现快速试验和创造新的深度学习模型。

如果你需要具有以下功能的深度学习库,采用Keras就恰到好处:
  • 可以很容易地、快速地建立原型(通过总体模块化,极简化并且可扩展化)。
  • 支持卷积网络和递归网络,以及两者的组合。
  • 支持任意连接方式(包括多输入多输出训练)。

Keras库与其他采用Theano库的区别是Keras的编码风格非常简约、清晰。它把所有的要点使用小类封装起来,能够很容易地组合在一起并创造出一种全新的模型。

CSDN博客上的更多介绍:

Lasagne

Github网址:https://github.com/Lasagne/Lasagne

Lasagne不只是一个美味的意大利菜,也是一个与Blocks和Keras有着相似功能的深度学习库,但其在设计上与它们有些不同。

下面是Lasagne的一些设计目的:
  • 简单化:它应该是易于使用和扩展的机器学习库。每添加一个特征,就应该考虑其对易用性和扩展性的影响。每一个抽象概念的加入都应该仔细检查,以确定增加的复杂性是否合理。
  • 小接口:尽可能少的类和方法。尽可能依赖Theano的功能和数据类型,遵循Theano的规定。如果没有严格的必要,不要在类中封装东西。这会使它更容易使用库并且扩展它(不需要有太多的认知)。
  • 不碍事:未使用的功能应该是不可见的,用户不会考虑他们不使用的功能。尽可能单独的使用库文件中的组件。
  • 透明性:不要试图掩盖Theano,尽量以Python或NumPy数据类型的形式将函数和方法返回给Theano表达式。
  • 重点:遵循Unix哲学“做一件事,并把它做好”,重点集中在前馈神经网络。
  • 实用主义:使普通用例更易于使用,这要比支持每一个可能的用例更为重要。

原文链接:Frameworks and Libraries for Deep Learning(译者/刘帝伟 审校/刘翔宇、朱正贵 责编/周建丁)

译者简介: 刘帝伟,中南大学软件学院在读研究生,关注机器学习、数据挖掘及生物信息领域。

延伸阅读:
深度学习 ( Deep Learning ) 的 Python 包哪家强?(From:知乎)
Python语言下的机器学习库(From:博乐在线翻译)
  • 大小: 97.5 KB
来自: CSDN
1
0
评论 共 1 条 请登录后发表评论
1 楼 windlike 2015-08-05 17:26
py果然很强大,必须学习了

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • AgentNet:用于人类的深度强化学习库

    代理网一个轻量级的库,用于使用Theano + Lasagne构建和培训深度强化学习和自定义递归网络什么是AgentNet? 没有时间玩游戏吗? 让机器为您做这件事! AgentNet是一个深度强化学习框架,旨在简化Markov决策流程的...

  • 基于python的深度学习框架有_从Theano到Lasagne:基于Python的深度学习的框架和库...

    深度学习是机器学习和人工智能的一种形式,利用堆积在彼此顶部的神经网络的多个隐藏层来尝试形成对数据更深层次的“理解”。...Python深度学习TheanoTheano不仅是这篇文章中将要讨论的其他框架的核心库...

  • 深度学习:常见深度学习框架【Theano、TensorFlow、Keras、Caffe/Caffe2、MXNet、CNTK、PyTorch】

    常见的深度学习框架有 TensorFlow 、Caffe、Theano、Keras、PyTorch、MXNet等,如下图所示。这些深度学习框架被应用于计算机视觉、语音识别、自然语言处理与生物信息学等领域,并获取了极好的效果。几乎所有的框架都...

  • Theano简单入门(一):Theano与Lasagne的安装

     Theano是一个Python库,专门用于定义、优化、求值数学表达式,效率高,适用于多维数组。特别适合做机器学习。一般来说,使用时需要安装python和numpy。  首先回顾一下机器学习的东西,定义一个模型(函数)f(x;w...

  • 9个最常用的python深度学习库

    在这篇文章里,我详细解读了9个我最喜欢的Python深度学习库。 这个名单并不详尽,它只是我在计算机视觉的职业生涯中使用并在某个时间段发现特别有用的一个库的列表。 这其中的一些库我比别人用的多很多,尤其是Keras...

  • 深度学习框架之一:Theano | Lasagne简单教程

    北京 上海巡回站 | NVIDIA DLI深度学习培训2018年1月26/1月12日NVIDIA 深度学习学院 带你快速进入火热的DL领域阅读全文 >正文共7163个字,1张图,预计阅读时间18分钟。参考Lasagne官网...

  • Theano深度学习框架之Lasagne安装及入门

     lasagne意味千层饼,是基于theano之上主要用于建立和训练神经网络的深度学习库。Lasagne is a lightweight library to build and train neural networks in Theano.  网站链接:...

  • 主流深度学习框架及神经网络模型汇总

    用大白话说就是是一个中间件,比如你PyTorch的模型想转换别的,就得通过ONNX,现在有的框架可以直接转,但是在没有专门支持的时候,ONNX就非常重要了,万物先转ONNX,ONNX再转万物。NCNN的速度是超过TFLite的,但是...

  • 深度解析Python深度学习框架的对比

    从PyTorch到Mxnet ,对比这些Python深度学习框架。选择什么深度学习框架一直是开发者非常关心的一个话题,而且深度学习框架之间的「战争」也越来越激烈。过去一段时间,机器之心发过多篇机器学习框架的对比文章,但...

  • 【数学建模竞赛】美国大学生数学建模竞赛(MCM/ICM)简介:竞赛规则与意义综述

    内容概要:美国大学生数学建模竞赛(MCM/ICM)由美国数学及其应用联合会主办,旨在提高学生运用数学知识和计算机技术解决实际问题的能力,培养团队合作精神和创新思维。竞赛始于1985年,至今已有近40年历史,是全球最具影响力的数学建模竞赛之一。竞赛分为MCM和ICM两部分,涵盖多个领域,参赛队伍需在4天内完成题目的分析、建模、求解和论文撰写。竞赛面向全球在校大学生,设有多个奖项,获奖对学生的升学和就业有积极影响。参赛队伍应提前学习数学建模知识,掌握常用软件工具,如MATLAB、Python等,同时加强团队协作和时间管理能力。; 适合人群:全球范围内的在校大学生,特别是对数学建模感兴趣的学生。; 使用场景及目标:①提高学生运用数学知识和计算机技术解决实际问题的能力;②培养团队合作精神和创新思维;③为升学和就业积累宝贵经验。; 阅读建议:参赛队伍应提前做好充分准备,学习相关数学建模知识,熟悉常用软件工具,加强团队协作和时间管理能力,以应对竞赛的挑战。

  • 光伏三相并网逆变器MATLAB仿真:从MPPT到LCL滤波的全流程解析

    内容概要:本文详细介绍了光伏三相并网逆变器的MATLAB仿真过程,涵盖了从光伏板输出直流电经过MPPT升压、三相桥逆变成交流,再到LCL滤波器滤波并网的全过程。具体包括MPPT算法(如扰动观察法)、坐标变换(Clarke变换和Park变换)、锁相环(采用二阶广义积分器SOGI)、电流内环PI控制以及SPWM调制和LCL滤波器的设计。每个环节都有详细的代码实现和调试技巧,确保并网电流的质量和稳定性。 适合人群:具备电力电子和控制系统基础知识的研究人员、工程师和技术爱好者。 使用场景及目标:适用于希望深入了解光伏并网逆变器工作原理及其仿真的技术人员。目标是掌握从光伏板到并网的完整控制流程,能够独立进行相关仿真和优化。 其他说明:文中提供了大量实用的代码片段和调试经验,帮助读者更好地理解和应用这些技术。同时强调了实际调试过程中可能遇到的问题及解决方案。

  • 永磁同步电机高频方波注入仿真的实现与优化

    内容概要:本文详细介绍了永磁同步电机采用高频方波注入方法进行低速带载启动的仿真模型及其优化。首先,文章阐述了高频方波注入的基本原理,包括选择2.5kHz的注入频率以及在旋转坐标系下的d轴方向进行方波注入的原因。接着,文章深入探讨了状态机设计,将整个流程分为三个阶段:转子预定位、高频注入阶段和平滑切换到反电势观测器。此外,还讨论了电流环参数的计算方法,强调了根据电机参数精确计算PI调节器参数的重要性。同时,文章详细解释了锁相环(PLL)的实现,指出PLL带宽应设为高频信号频率的1/10以避免震荡。最后,文章分享了一些调试技巧,如处理逆变器死区补偿和合理设置注入电压幅值。 适合人群:从事永磁同步电机控制研究与开发的工程师和技术人员,尤其是对高频方波注入技术和无感控制感兴趣的读者。 使用场景及目标:适用于希望深入了解永磁同步电机高频方波注入技术的工程师,帮助他们掌握从仿真建模到实际应用的全过程,确保在低速带载启动过程中实现稳定可靠的控制效果。 其他说明:文中提供了详细的代码片段和调试建议,有助于读者更好地理解和实践相关技术。同时,附带的文档和参考文献也为进一步研究提供了丰富的资料。

  • 永磁同步电机(PMSM)全速度域无位置传感器控制与切换策略仿真

    内容概要:本文详细探讨了永磁同步电机(PMSM)在全速度范围内实现无位置传感器控制的方法和技术难点。主要内容涵盖高速段采用超螺旋滑模(Super Twisting Sliding Mode)观测器进行位置估计,以及低速段利用高频方波注入(High Frequency Injection)方法获取转子位置信息。针对两者之间的平滑切换提出了基于滞环和置信度加权的软切换策略,并介绍了扩张状态观测器(ESO)的应用以提高系统的鲁棒性和稳定性。文中提供了具体的MATLAB/Simulink代码片段用于实现各个控制环节,强调了参数调节的重要性及其实践经验。 适合人群:从事电机控制系统研究的专业人士、研究生及以上学历的学生,尤其是对无位置传感器控制感兴趣的科研工作者。 使用场景及目标:适用于需要精确控制PMSM应用场景的研发项目,如电动汽车驱动系统、工业自动化设备等。主要目标是掌握PMSM无位置传感器控制的关键技术和实现方法,提升系统的可靠性和性能。 其他说明:文中不仅分享了理论知识,还包括大量实用的编程技巧和调试建议,有助于读者快速理解和应用所介绍的技术。此外,作者还特别指出了一些常见的错误和注意事项,帮助读者规避潜在的问题。

  • 爬取淘宝京东(1).py

    爬取淘宝京东(1)

  • python编译部署智能合约(上传和取回数据)

    solcx、web3搭配使用

  • MATLAB环境下基于偏置场校正的改进模糊c-均值聚类图像分割算法及其应用

    内容概要:本文介绍了一种基于偏置场校正的改进模糊c-均值(FCM)聚类图像分割算法。传统的FCM算法在处理噪声较多的图像时表现不佳,为此,作者提出了引入偏置场校正项的方法,以提高算法的鲁棒性和分割精度。文中详细描述了算法的实现步骤,包括数据加载与预处理、目标函数的设计、迭代更新过程以及实验结果分析。实验结果显示,改进后的算法在噪声较多的图像上显著提高了分割效果。 适合人群:从事计算机视觉、图像处理领域的研究人员和技术人员,尤其是对模糊聚类算法和偏置场校正感兴趣的开发者。 使用场景及目标:适用于医学图像处理等领域,特别是在处理带有噪声和强度不均匀性的图像时,能够有效改善分割质量,提供更精确的图像分析工具。 其他说明:本文不仅提供了详细的理论解释,还附有MATLAB代码实现,便于读者理解和实践。此外,文中还分享了一些实用的经验和技巧,如参数选择、性能优化等,有助于读者更好地掌握和应用该算法。

  • 蓝牙单芯片解决方案BlueCore3-Flash:射频与基带集成及DSP优化

    内容概要:本文详细介绍了CSR公司BlueCore3-Flash芯片,这款2004年推出的蓝牙单芯片解决方案集成了射频前端、基带处理和6Mbit闪存。文章首先回顾了其硬件架构,包括RF前端、ARM7 TDMI处理器、DSP协处理器及其存储管理。接着深入探讨了DSP协处理器对CVSD编码的优化以及RF部分的天线匹配和寄存器配置技巧。文中还提到了Flash分区管理和一些有趣的细节,如复活节彩蛋代码和通过GPIO模拟I2C控制EEPROM的方法。此外,作者分享了许多实用的经验教训,如Flash编程时序要求、寄存器配置陷阱等。最后强调了800页逆向分析报告的价值,特别是在射频校准方面的指导意义。 适合人群:从事蓝牙开发的工程师和技术爱好者,尤其是对早期蓝牙技术和硬件设计感兴趣的读者。 使用场景及目标:帮助读者深入了解BlueCore3-Flash芯片的工作原理和设计思路,掌握射频调试、DSP优化等关键技术,避免常见错误,提高开发效率。 其他说明:尽管BlueCore3-Flash已停产多年,但其设计理念和技术细节仍然值得借鉴,对于理解和优化现代蓝牙低能耗(BLE)系统具有重要参考价值。

  • 自动泊车系统中基于五次多项式曲线优化的平行泊车路径规划技术解析

    内容概要:本文深入探讨了自动泊车系统中平行泊车路径规划的关键技术,特别是五次多项式曲线的应用及其优化方法。首先介绍了五次多项式的基本概念和数学模型,展示了如何利用六阶多项式来精确描述车辆从初始位置到最终入库位置的完整运动过程。接着详细解释了路径规划过程中面临的挑战,如狭窄车位、复杂环境等因素的影响,并提出了相应的解决方案,包括曲率优化、碰撞检测以及路径分段处理等。最后通过具体实例演示了优化前后路径性能的变化,证明了经过改进的五次多项式能够显著提高泊车的成功率和平顺性。 适合人群:对自动驾驶技术感兴趣的工程师和技术爱好者,尤其是从事智能交通系统研究的专业人士。 使用场景及目标:适用于希望深入了解自动泊车算法内部机制的研究人员,帮助他们掌握五次多项式在路径规划中的应用技巧,从而提升相关项目的开发效率和技术水平。 其他说明:文中提供了大量Python代码片段用于辅助理解和实践,同时也分享了一些实际项目中遇到的问题及解决经验,对于想要快速入门并应用于实际工作的读者非常有价值。

  • 【软件开发工具】GitHub使用教程及操作指南:从入门到协作开发全流程介绍了文档的主要内容

    内容概要:本文档详细介绍了GitHub的使用方法,从基础概念到高级功能,帮助用户全面掌握GitHub的操作。首先解释了GitHub作为基于Git的代码托管平台的功能,包括支持多人协作开发、提供Web界面管理代码仓库、issue跟踪、Wiki文档和自动化工作流等特性。接着,逐步指导用户完成入门操作,如注册账号、创建仓库、安装Git以及配置账户信息。文档还列举了核心操作命令,涵盖基础工作流(克隆、添加、提交、推送)、分支管理和常用辅助命令。对于团队协作,文中描述了邀请协作者、使用Fork和Pull Request的方式,以及Issue跟踪机制。最后,介绍了GitHub的高级功能,如GitHub Pages、GitHub Actions、Wiki和Project看板,并提供了学习资源和遇到问题时的解决途径。 适合人群:适用于初学者及有一定编程经验但不熟悉GitHub的开发者。 使用场景及目标:①帮助个人或团队快速搭建并管理代码仓库;②提高代码版本控制能力,确保项目开发流程顺畅;③利用GitHub提供的协作工具提升团队合作效率。 阅读建议:由于文档内容详尽,建议初次接触GitHub的读者按照章节顺序逐步学习,同时动手实践每个操作步骤,遇到问题时参考提供的学习资源或求助于社区。

  • 基于MATLAB的多层膜光学计算算法(转移矩阵法)源码+使用说明文档.zip

    基于MATLAB的多层膜光学计算算法(转移矩阵法)源码+使用说明文档.zip 一个基于MATLAB的多层膜光学计算算法。当光束击中具有不同折射率的多层系统时,它会被反射、折射和吸收,这可以通过菲涅尔方程来推导。但随着层数的增加,数学计算变得越来越复杂。这个项目提供了一个基于传输矩阵方法的MATLAB算法,用于计算多层膜系统的光学特性。 主要功能点 基于传输矩阵方法的多层膜光学特性计算 包括反射率、透射率和吸收率的计算 支持任意数量的层数 技术栈 MATLAB

Global site tag (gtag.js) - Google Analytics