资讯频道 → 互联网
阅读更多

1顶
0踩

互联网

原创新闻 从Theano到Lasagne：基于Python的深度学习的框架和库

2015-08-05 14:24 by 副主编 mengyidan1988 评论(1) 有4523人浏览
Theano Lasagne Python

声明：ITeye资讯文章的版权属于ITeye网站所有，严禁任何网站转载本文，否则必将追究法律责任！

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
顶
0
踩
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...

  • 交互修改.rp

    交互修改

  • 14230-2.pdf

    ISO14230-2标准文档，定义了K线通讯方式和数据格式，对于汽车诊断非常有用

  • 基于python的求职招聘网站 python+django+vue搭建的求职招聘管理系统 - 毕业设计 - 课程设计.zip

    学习作者过程中，遇到问题可以咨询解决方案前台地址http://job.gitapp.cn后台地址http://job.gitapp.cn/admin后台管理帐号用户名admin123 密码admin123功能介绍平台采用B/S结构，前端采用主流的Python语言进行开发，前端采用主流的V​​ue.js进行开发。整个平台包括前台和后台两个部分。前台功能包括首页、岗位详情页、简历中心、用户设置模块。后台功能包括总览、岗位管理、公司管理、分类管理、标签管理、评论管理、用户管理、运营管理、日志管理、系统信息模块。代码结构服务器目录编号web目录是前端代码部署运行执行步骤（1）安装python 3.8(2) 安装依赖。进入server目录下，执行 pip install -r requests.txt(3)安装mysql 5.7数据库，并创建数据库，创建SQL如下CREATE DATABASE IF NOT EXISTS xxx DEFAULT CHARSET utf8 COLLATE utf8_general_ci(4)恢复

  • 4602-职业规划设计书PPT护理.pptx

    4602-职业规划设计书PPT护理

  • 非常好的SqlServer查询性能优化教程资料100%好用.zip

    非常好的SqlServer查询性能优化教程资料100%好用.zip

  • 基于Springboot+Vue+Python深度神经网络学习算法水质管理预测系统设计毕业源码案例设计.zip

    基于Springboot+Vue+Python深度神经网络学习算法水质管理预测系统设计毕业源码案例设计Springboot_Vue_Python_水质管理_预测基于Springboot+Vue+Python深度神经网络学习算法水质管理预测系统设计毕业源码案例设计程序开发软件Eclipse/Idea + WebStorm/VsCode + Pycharm 数据库mysql 开发技术Springboot + Vue + Python 这个是一个水质管理和预报系统，它是一个全栈Web应用程序，使用机器学习和深度神经网络算法来预测未来的水质。系统一共有2个身份包括管理员和用户。管理员登录后可以查询最新水质检测数据，也可以上报新的水质数据，可以查询管理历史水质数据，查询历史水质趋势图，训练自己的模型参数，选择一个算法模型结果预测下个月的水质信息，管理所有的用户信息用户登录后比管理员就少了个用户管理功能。管理员账号密码 admin/123 用户账号密码user1/123

  • 微信小程序云开发毕业设计「单词天天斗」，好友,匹配,人机对战，单词本科毕设打字稿原创微信小程序.zip

    单词天天斗 (毕业设计/实战小程序/微信小程序完整项目)介绍该项目基于「微信小程序」原生框架和「微信小程序云开发」实现单词对战类小程序，支持好友对战、随机匹配、人机对战透明不同模式的「对战模式」另外提供「每日对战」词汇」、「生词本」、「排行榜」、「设置」等功能，实现完整的业务闭环。单词库包含从小学、初中、高中、四六级、考研、雅思等常需掌握的词汇，支持自定义词库，支持自定义拓展无限本单词书。技术栈主要为微信小程序、云开发、TypeScript等，从头搭建项目，基于git管理代码版本，使用eslint作为代码格式校验，并对页面进行组件化拆分，前端和云函数均采用TypeScript。实践小程序能力，如用户信息获取、用户登录、全局状态管理、路由、wxs、npm包、播放音频、回复、转发分享、动画、云数据库等。项目提供完整设计稿，项目演示可查看微信小程序「单词天天斗」，扫码体验 ↓这些人毕设参考项目文档齐全、题目合适、技术广度大、业务闭环，包含项目解析文档和教程，这是一个非常适合作为毕设学习的小程序项目。无化部署运营无论你是想通过小程序现变，还是想给自己的「英语课程教材」

  • 利用ReST与ReAct自改进多步骤推理的大规模语言模型代理

    内容概要：本文提出了结合强化自我训练（ReST）和响应动作链路（ReAct）的方法来构建并改善大规模语言模型代理的性能，尤其是在需要多步骤推理以解决复杂自然语言查询的任务上。文中定义了一个能够在外部工具/ API /环境交互中表现出色的代理，并提出了一种通过迭代训练以前的轨迹来进行连续自我提升和精炼的技术路径。 适合人群：对大型语言模型研究及应用有兴趣的研究人员和工程师。 使用场景及目标：本方法主要适用于处理需要多个信息检索步骤才能完成的问题解决任务，如基于复杂开放性问答系统的发展。具体目标是在减少所需参数量的前提下提高此类系统的准确性、鲁棒性和效率。 其他说明：作者展示了仅经过两轮迭代优化，即可以从一个大的预训练模型蒸馏出性能相当但大小减少两个数量级的小型化模型。此外，在整个过程中没有使用人类标记的数据进行直接监督。

  • 毕业设计Android，一款水果健康百科app.zip

    毕业设计Android，一款水果健康百科app斯戈利毕业设计Android，一款水果健康百科app

  • 移动互联网发展和岗位分析.pptx

    移动互联网发展和岗位分析.pptx

  • 数控加工程序设计.pptx

    数控加工程序设计.pptx

Global site tag (gtag.js) - Google Analytics