각종 프로그래밍 언어의 심도 있는 학습 라이브러리 정리 대전!

다양한 프로그래밍 언어의 심도 있는 학습 라이브러리 정리 대전!

Python1. Theano 는 배열 벡터를 사용하여 수학 표현식을 정의하고 계산하는 파이썬 클래스 라이브러리입니다. Python 환경에서 심도 있는 학습 알고리즘을 쉽게 작성할 수 있습니다. 이를 바탕으로 많은 클래스 라이브러리가 구축되었습니다.

1.Keras 는 Torch 를 참조하여 Python 언어로 작성되었으며 GPU 및 CPU 최적화 후 Theano 연산을 지원하도록 설계된 간결하고 모듈화된 신경망 라이브러리입니다.

2.Pylearn2 는 무작위 그라데이션 하강 등과 같은 광범위한 심도 있는 학습 공통 모델과 교육 알고리즘을 통합하는 라이브러리입니다. 그 기능 라이브러리는 모두 Theano 를 기반으로 합니다.

3.Lasagne 은 신경 네트워크를 구축하고 훈련시키는 경량 패키지 라이브러리로서 Theano 를 기반으로 합니다. 단순성, 투명성, 모듈화, 실용화, 특이성의 원칙을 따릅니다.

4.Blocks 는 또한 Theano 기반 도움으로 신경망을 구축하는 프레임워크이기도 하다.

2. Caffe 는 코드 표현, 연산 속도 및 모듈화 정도에 초점을 맞춘 심화 학습의 프레임워크입니다. Bvlc (Berkeley vision and learning center) 와 커뮤니티 멤버 * * * 가 공동 개발했습니다. 구글의 DeepDream 프로젝트는 Caffe 프레임워크를 기반으로 합니다. 이 프레임워크는 BSD 라이센스를 사용하는 C++ 라이브러리이며 파이썬 호출 인터페이스를 제공합니다.

3. nolearn 은 많은 기존 신경망 라이브러리의 캡슐화 및 추상 인터페이스, 유명한 Lasagne 및 일부 기계 학습을 위한 공통 모듈을 포함하고 있습니다.

4. Genism 은 또한 Python 으로 작성된 심도 있는 학습 가젯으로, 효율적인 알고리즘을 사용하여 대규모 텍스트 데이터를 처리합니다.

5. Chainer 는 심도 있는 학습의 이론 알고리즘과 실제 응용 프로그램 사이에 다리를 놓는다. 강력하고, 유연하며, 직관적이며, 심도 있는 학습의 유연한 틀로 여겨진다.

6. deepnet 은 Python 언어 개발을 통해 피드 포워드 신경망 (FNN), 제한된 볼츠만 기계 (RBM), 깊이 신념 네트워크 (DBN), 자체 인코더 (AE) 를 구현하는 GPU 기반 심도 학습 알고리즘 라이브러리입니다.

7. Hebel 은 pyCUDA 를 통해 CUDA 를 지원하는 GPU 가속을 제어하는 심도 있는 학습 및 신경 네트워크의 Python 라이브러리이기도 합니다. 가장 중요한 유형의 신경망 모델을 구현하며 momentum, Nesterov momentum, dropout 및 early stopping 과 같은 다양한 활성화 기능 및 모델 교육 방법을 제공합니다.

8. CXXNET 은 MShadow 개발을 기반으로 한 빠르고 간결한 분산 심층 학습 프레임워크입니다. 가볍고 쉽게 확장할 수 있는 C++/CUDA 신경 네트워크 툴박스로 교육 및 예측을 위한 친숙한 Python/Matlab 인터페이스를 제공합니다.

9. DeepPy 는 NumPy 기반 심화 학습 프레임워크입니다.

1. DeepLearning 은 C++ 및 Python*** 과 함께 개발된 심화 학습 라이브러리입니다.

11. Neon 은 Nervana System 의 심도 있는 학습 프레임워크로 파이썬을 사용하여 개발되었습니다.

Matlab

1. ConvNet 컨볼 루션 신경 네트워크는 원시 데이터에서 유용한 특징을 자율적으로 학습하여 가중치 값을 조정하여 실현할 수 있는 심도 있는 학습 분류 알고리즘입니다.

2. DeepLearnToolBox 는 심도 있는 신념 네트워크 (DBN), 스택 자체 인코더 (stacked AE), 컨볼 루션 신경망 (CNN) 등의 알고리즘이 포함된 심층 학습을 위한 Matlab/Octave 도구 상자입니다

3. cuda-convet 은 컨볼 루션 신경망 (CNN) 코드 세트이며 C++/CUDA 를 사용하여 연산하는 피드 포워드 신경 네트워크에도 적용됩니다. 임의의 깊이의 다층 신경망을 모델링할 수 있습니다. 무순환 그래프의 네트워크 구조만 있으면 됩니다. 훈련 과정은 역전파 알고리즘 (BP 알고리즘) 을 사용한다.

4. MatConvNet 은 컴퓨터 시각 응용 프로그램을 위한 컨볼 루션 신경망 (CNN)Matlab 도구 상자입니다. 가장 진보된 기계 학습 알고리즘을 실행하고 배울 수 있는 간단하고 효율적입니다.

CPP

1. eblearn 은 뉴욕 대학교 기계 학습 연구소에서 개발한 오픈 소스 기계 학습 C++ 패키지 라이브러리입니다. 에너지 기반 모델을 사용하여 컨볼 루션 신경망을 구현하고 시각적 상호 작용 인터페이스 (GUI), 예 및 데모 자습서를 제공합니다.

2. SINGA 는 Apache software foundation 이 지원하는 프로젝트로, 기존 시스템에 범용 분산 모델 교육 알고리즘을 제공하도록 설계되었습니다.

3. NVIDIA DIGITS 는 심도 있는 신경망을 개발, 훈련 및 시각화하는 새로운 시스템입니다. 심층 학습의 강력한 기능을 브라우저 인터페이스로 표시하여 데이터 과학자와 연구원이 실시간으로 신경망 동작을 시각화하고 데이터에 가장 적합한 심층 신경망을 신속하게 설계할 수 있도록 합니다.

4. 인텔? Deep Learning Framework 가 Intel 을 제공합니까? 플랫폼은 심도 컨볼 루션 신경망을 가속화하는 하나의 통합 플랫폼이다.

Java

1.n-Java (nd4j) 용 dimensional arrays 는 JVM 플랫폼의 과학 컴퓨팅 라이브러리입니다. 이 기능은 주로 제품에 사용됩니다. 즉, 함수의 설계 요구 사항은 연산 속도가 빠르고 스토리지 공간이 가장 절약됩니다.

2. Deeplearning4j 는 Java 와 Scala 로 작성된 최초의 상용 오픈 소스 분산 심층 학습 클래스 라이브러리입니다. 연구 도구가 아닌 비즈니스 환경에서 사용할 수 있도록 설계되었습니다.

3. Encog 는 지원 벡터 기계, 인공 신경망, 유전 프로그래밍, 베네치아 네트워크, 은마코프 모델 등을 포괄하는 기계 학습의 고급 프레임워크이며 유전 알고리즘도 지원합니다. JavaScript 로 작성된

JavaScript

1. Convnet.js 는 브라우저 내에서 교육 심화 학습 모델 (주로 신경망) 을 완전히 완성하는 패키지 라이브러리입니다. 다른 소프트웨어, 컴파일러, 설치 패키지, GPU, 심지어 힘들이지 않아도 됩니다.

Lua

1. Torch 는 다양한 기계 학습 알고리즘에 널리 사용되는 과학 컴퓨팅 프레임워크입니다. 사용하기 쉽고 빠른 스크립팅 언어인 LuaJit 으로 개발되며, 맨 아래는 C/CUDA 구현입니다. 토치는 루아 프로그래밍 언어를 기반으로 합니다.

줄리아

1. mocha 는 Julia 의 심도 있는 학습 프레임워크로 C++ 프레임워크 Caffe 로부터 영감을 받았습니다. Mocha 에서 범용 임의 그라데이션 해결사와 범용 모듈의 효율적인 구현은 깊이/얕은 (컨볼 루션) 신경망을 훈련시키는 데 사용할 수 있으며, (스택) 자체 인코더를 통해 감독되지 않은 사전 훈련 (선택 사항) 과 함께 수행할 수 있습니다. 모듈식 구조, 상위 계층 인터페이스 제공, 속도, 호환성 등 다양한 기능이 장점입니다.

lisp

1.lush (lisp universal shell) 는 대규모 수치 및 그래픽 애플리케이션에 관심이 있는 많은 연구원, 실험자 및 엔지니어를 위한 객체 지향 프로그래밍 언어입니다. 여기에는 풍부한 심도 있는 학습 라이브러리가 포함된 기계 학습의 라이브러리가 있습니다.

Haskell

1. DNNGraph 는 Haskell 이 깊이 신경망 모델 생성에 사용하는 DSL (domain specific language) 입니다.

.NET

1. Accord.NET 은 오디오 및 이미지 처리를 위한 클래스 라이브러리를 포함하여 C# 으로 완전히 작성된. NET 기계 학습 프레임워크입니다. 컴퓨터 시각, 컴퓨터 오디오, 신호 처리 및 통계 응용 분야를 위한 제품 수준의 완벽한 프레임워크입니다.

1. darch 패키지는 다중 계층 신경망 (깊이 구조) 을 생성하는 데 사용할 수 있습니다. 훈련 방법에는 분기 대비 사전 훈련과 역전파법이나 * * * 멍에그라데이션 방법 등 잘 알려진 훈련 알고리즘의 미세 조정이 포함됩니다.

2. deepnet 은 역전파 (BP), 제한된 볼츠만 기계 (RBM), 깊이 신념 네트워크 (DBP), 깊이 자체 인코더 (Deep autoencoder) 등 다양한 심도 있는 학습 프레임워크와 신경망 알고리즘을 구현합니다.