锐客网

  1. 首页 > 生活百科 > it技术 > >

python函数学习深度 python入门函数( 四 )

IT技术学习


我认为Keras唯一的问题是它不支持多GPU环境中并行地训练网络 。这可能会也可能不会成为你的大忌 。
如果我想尽快地训练网络 ， 那么我可能会使用mxnet 。但是如果我需要调整超参数，我就会用Keras设置四个独立的实验（分别在我的Titan X GPUs上运行）并评估结果 。
mxnet
我第二喜欢的深度学习Python库无疑就是mxnet（重点也是训练图像分类网络） 。虽然在mxnet中站立一个网络可能需要较多的代码，但它会提供给你惊人数量的语言绑定（C ++、Python、R、JavaScript等） 。
Mxnet库真正出色的是分布式计算 ， 它支持在多个CPU / GPU机训练你的网络，甚至可以在AWS、Azure以及YARN集群 。
它确实需要更多的代码来设立一个实验并在mxnet上运行（与Keras相比） ， 但如果你需要跨多个GPU或系统分配训练，我推荐mxnet 。
sklearn-theano
有时候你并不需要终端到终端的培养一个卷积神经网络 。相反，你需要把CNN看作一个特征提取器 。当你没有足够的数据来从头培养一个完整的CNN时它就会变得特别有用 。仅仅需要把你的输入图像放入流行的预先训练架构，如OverFeat、AlexNet、VGGNet或GoogLeNet ， 然后从FC层提取特征（或任何您要使用的层） 。
总之，这就是sklearn-theano的功能所在 。你不能用它从头到尾的训练一个模型 ， 但它的神奇之处就是可以把网络作为特征提取器 。当需要评估一个特定的问题是否适合使用深度学习来解决时，我倾向于使用这个库作为我的第一手判断 。
nolearn
我在PyImageSearch博客上用过几次nolearn，主要是在我的MacBook Pro上进行一些初步的GPU实验和在Amazon EC2 GPU实例中进行深度学习 。
Keras把 Theano和TensorFlow包装成了更具人性化的API，而nolearn也为Lasagne做了相同的事 。此外，nolearn中所有的代码都是与scikit-learn兼容的，这对我来说绝对是个超级的福利 。
我个人不使用nolearn做卷积神经网络（CNNs），但你当然也可以用（我更喜欢用Keras和mxnet来做CNNs） 。我主要用nolearn来制作Deep Belief Networks (DBNs) 。
DIGITS
DIGITS并不是一个真正的深度学习库（虽然它是用Python写的） 。DIGITS（深度学习GPU培训系统）实际上是用于培训Caffe深度学习模式的web应用程序（虽然我认为你可以破解源代码然后使用Caffe以外其他的后端进行工作 ， 但这听起来就像一场噩梦） 。
如果你曾经用过Caffe，那么你就会知道通过它的终端来定义.prototxt文件、生成图像数据、运行网络并监管你的网络训练是相当繁琐的 。DIGITS旨在通过让你在浏览器中执行这些任务来解决这个问题 。
此外，DIGITS的用户界面非常出色，它可以为你提供有价值的统计数据和图表作为你的模型训练 。另外，你可以通过各种输入轻松地可视化网络中的激活层 。最后，如果您想测试一个特定的图像，您可以把图片上传到你的DIGITS服务器或进入图片的URL，然后你的Caffe模型将会自动分类图像并把结果显示在浏览器中 。干净利落！
Blocks
说实话，虽然我一直想尝试，但截至目前我的确从来没用过Blocks（这也是我把它包括在这个列表里的原因） 。就像许多个在这个列表中的其他库一样，Blocks建立在Theano之上，呈现出一个用户友好型的API 。
deepy
如果让你猜deepy是围绕哪个库建立的，你会猜什么？
没错 ， 就是Theano 。
我记得在前一段时间用过deepy（做了初始提交） ， 但在接下里的大概6-8个月我都没有碰它了 。我打算在接下来的博客文章里再尝试一下 。
pylearn2
虽然我从没有主动地使用pylearn2，但由于历史原因，我觉得很有必要把它包括在这个列表里 。Pylearn2不仅仅是一般的机器学习库（地位类似于scikit-learn） ， 也包含了深度学习算法的实现 。

推荐阅读


上一篇：xr升ios14怎么样，xr升16系统怎么样

下一篇：u盘自动播放文件怎么关闭，u盘取消自动播放