¡Una colección completa de bibliotecas de aprendizaje profundo para varios lenguajes de programación!
Python1. Theano es una biblioteca de Python que utiliza vectores de matriz para definir y evaluar expresiones matemáticas. Facilita la escritura de algoritmos de aprendizaje profundo en el entorno Python. Sobre esta base se han construido muchas bibliotecas de clases.
1.Keras es una biblioteca de redes neuronales concisa y altamente modular. Su diseño se basa en Torch, escrito en lenguaje Python, y admite llamadas a operaciones Theano optimizadas para GPU y CPU.
2. Pylearn2 es una biblioteca que integra una gran cantidad de modelos de aprendizaje profundo y algoritmos de entrenamiento comunes, como el descenso de gradiente estocástico. Su biblioteca de funciones está basada en Theano.
3.Lasagne es una biblioteca de paquetes livianos para construir y entrenar redes neuronales, basada en Theano. Sigue los principios de simplicidad, transparencia, modularidad, practicidad y profesionalismo.
4.Blocks también es un marco basado en Theano que se utiliza para ayudar a construir redes neuronales.
2.Caffe es un marco de aprendizaje profundo que se centra en la forma de expresión, la velocidad de ejecución y la modularidad del código. Fue desarrollado por el Berkeley Vision and Learning Center (BVLC) y miembros de la comunidad. El proyecto DeepDream de Google se basa en el marco Caffe. Este marco es una biblioteca C++ que utiliza la licencia BSD y proporciona una interfaz de llamada de Python.
3.nolearn incluye una gran cantidad de encapsulaciones e interfaces abstractas de bibliotecas de funciones de redes neuronales existentes, incluida la famosa lasaña y algunos módulos comunes de aprendizaje automático.
4.Genism también es un dispositivo de aprendizaje profundo escrito en Python, que utiliza algoritmos eficientes para procesar datos de texto a gran escala.
5.Chainer tiende un puente entre los algoritmos teóricos y las aplicaciones prácticas del aprendizaje profundo. Se caracteriza por ser potente, flexible e intuitivo, y se considera un marco flexible para el aprendizaje profundo.
6.deepnet es una biblioteca de algoritmos de aprendizaje profundo basada en GPU. Desarrollado en lenguaje Python, implementa una red neuronal de avance (FNN), una máquina de Boltzmann restringida (RBM), una red de creencias profundas (DBN), un codificador automático (AE), una máquina de Boltzmann profunda (DBM), una red neuronal convolucional (CNN) y otros algoritmos.
7.Hebel también es una biblioteca de Python para aprendizaje profundo y redes neuronales. Controla la aceleración de GPU habilitada para CUDA a través de pyCUDA. Implementa los modelos de redes neuronales más importantes y proporciona una variedad de funciones de activación y métodos de entrenamiento de modelos, como impulso, impulso de Nesterov, abandono y parada anticipada.
8.CXXNET es un marco de aprendizaje profundo distribuido rápido y conciso basado en MShadow. Es una caja de herramientas de red neuronal C++/CUDA ligera y extensible que proporciona una interfaz amigable de Python/Matlab para entrenamiento y predicción.
9.DeepPy es un marco de aprendizaje profundo basado en NumPy.
10.DeepLearning es una biblioteca de funciones de aprendizaje profundo desarrollada en C++ y Python***.
11.Neon es el marco de aprendizaje profundo del sistema Nervana, desarrollado en Python.
Matrix Lab
La red neuronal convolucional Convnet es un algoritmo de clasificación de aprendizaje profundo que puede aprender características útiles a partir de datos sin procesar ajustando pesos.
2.DeepLearnToolBox es una caja de herramientas de Matlab/Octave para el aprendizaje profundo, que incluye algoritmos de red de creencia profunda (DBN), AE apilado y red neuronal convolucional (CNN).
3.cuda-convet es un conjunto de códigos de redes neuronales convolucionales (CNN), que también son adecuados para redes neuronales feedforward y utilizan C++/CUDA para las operaciones. Puede simular redes neuronales multicapa de profundidad arbitraria. Siempre que sea una estructura de red de gráficos acíclicos dirigidos. En el proceso de entrenamiento se utiliza el algoritmo de retropropagación (algoritmo BP).
4.MatConvNet es una caja de herramientas Matlab de red neuronal convolucional (CNN) para aplicaciones de visión por computadora. Es simple y eficiente, y puede ejecutar y aprender algoritmos de aprendizaje automático de última generación.
Card Print Processor (abreviatura de Card Print Processor)
1.eblearn es una biblioteca de empaquetado C++ de código abierto para aprendizaje automático, desarrollada por el laboratorio de aprendizaje automático de la Universidad de Nueva York dirigido por Yann LeCun. . Implementa redes neuronales convolucionales utilizando modelos basados en energía y proporciona una interfaz visual interactiva (GUI), ejemplos y cursos de demostración.
2.SINGA es un proyecto respaldado por Apache Software Foundation. Su objetivo de diseño es proporcionar un algoritmo de entrenamiento de modelo distribuido universal en sistemas existentes.
3.NVIDIA DIGITS es un nuevo sistema para desarrollar, entrenar y visualizar redes neuronales profundas. Presenta las poderosas funciones del aprendizaje profundo en una interfaz de navegador, lo que permite a los científicos e investigadores de datos visualizar el comportamiento de las redes neuronales en tiempo real y diseñar rápidamente redes neuronales profundas que mejor se ajusten a los datos.
4. ¿Marco de aprendizaje profundo proporcionado por Intel? Una plataforma unificada para acelerar redes neuronales convolucionales profundas.
Lenguaje Java (un lenguaje informático, especialmente utilizado para crear sitios web)
1. Java de matriz n-dimensional (ND4J) es una biblioteca de funciones informáticas científicas para la plataforma JVM. Se utiliza principalmente en productos, lo que significa que los requisitos de diseño funcional son una velocidad informática rápida y un espacio de almacenamiento mínimo.
2. Deeplearning4j es la primera biblioteca comercial de aprendizaje profundo distribuida de código abierto, escrita en Java y Scala. Está diseñado para su uso en un entorno empresarial, no como herramienta de investigación.
3. Encog es un marco avanzado para el aprendizaje automático, que cubre máquinas de vectores de soporte, redes neuronales artificiales, programación genética, redes bayesianas, modelos ocultos de Markov, etc., y también admite algoritmos genéticos.
Lenguaje Java Script
1. Convnet.js está escrito en JavaScript y es una biblioteca de paquetes para entrenar modelos de aprendizaje profundo (principalmente redes neuronales) completamente en el navegador. Ningún otro software, ningún compilador, ningún paquete de instalación, ninguna GPU, ni siquiera un solo esfuerzo.
Brazo izquierdo
1.Torch es un marco informático científico que se utiliza ampliamente en varios algoritmos de aprendizaje automático. Es fácil de usar, está desarrollado con el rápido lenguaje de programación LuaJit y la capa inferior está implementada con C/CUDA. Torch se basa en el lenguaje de programación Lua
Julia
1. Mocha es el marco de aprendizaje profundo de Julia, inspirado en el marco C++ Caffe. Implementación eficiente de solucionadores de gradientes estocásticos universales y módulos universales en Mocha para entrenar redes neuronales profundas/superficiales (convolucionales), completos con codificadores automáticos (apilados) previamente entrenados (opcionales) no supervisados. Sus ventajas incluyen una estructura modular, que proporciona interfaces de capa superior y quizás velocidad, compatibilidad, etc.
Muérdete la lengua
1. Lush (LISP Universal Shell) es un lenguaje de programación orientado a objetos para investigadores, experimentadores e ingenieros interesados en aplicaciones numéricas y gráficas a gran escala. Tiene una biblioteca de funciones de aprendizaje automático, incluida una rica biblioteca de aprendizaje profundo.
Haskell
1.DNNGraph es un lenguaje de dominio específico (DSL) utilizado por Haskell para generar modelos de redes neuronales profundas.
. Net
1. Accord.NET es un marco de aprendizaje automático .NET escrito íntegramente en C#, que incluye bibliotecas de clases para procesamiento de audio e imágenes. Es un marco completo a nivel de producto para aplicaciones de visión por computadora, audio de computadora, procesamiento de señales y estadísticas.
Raro
1. El paquete darch se puede utilizar para generar redes neuronales multicapa (estructuras profundas). Los métodos de entrenamiento incluyen el entrenamiento previo de la divergencia de contraste y el ajuste fino de algoritmos de entrenamiento conocidos, como la retropropagación o el gradiente de yugo.
2.deepnet implementa muchos marcos de aprendizaje profundo y algoritmos de redes neuronales, incluida la retropropagación (BP), la máquina de Boltzmann restringida (RBM), la red de creencias profundas (DBP) y los dispositivos de codificación automática profunda, etc.