剑客
关注科技互联网

30个深度学习库:按Python和C++等10种语言分类


本文

介绍了包括 Python、Java、Haskell等在内的一系列编程语言的深度学习库。

Python


  • Theano

    是一种用于使用数列来定义和评估数学表达的 Python 库。它可以让 Python 中深度学习算法的编写更为简单。很多其他的库是以 Theano 为基础开发的:


  1. Keras

    是类似 Torch 的一个精简的,高度模块化的神经网络库。Theano 在底层帮助其优化 CPU 和 GPU 运行中的张量操作。


  2. Pylearn2

    是一个引用大量如随机梯度(Stochastic Gradient)这样的模型和训练算法的库。它在深度学习中被广泛采用,这个库也是以 Theano 为基础的。


  3. Lasagne

    是一个轻量级的库,它可以在 Theano 中建立和训练神经网络。它简单、透明、模块化、实用、专一而克制。


  4. Blocks

    是一种帮助你在 Theano 之上建立神经网络模型的框架。


  • Caffe

    是一种以表达清晰、高速和模块化为理念建立起来的深度学习框架。它是由伯克利视觉和学习中心(BVLC)和网上社区贡献者共同开发的。谷歌的 DeepDream 人工智能图像处理程序正是建立在 Caffe 框架之上。这个框架是一个 BSD 许可的带有 Python 接口的 C++库。


  • nolearn

    包含大量其他神经网络库中的包装器和抽象(wrappers and abstractions),其中最值得注意的是 Lasagne,其中也包含一些机器学习的实用模块。


  • Genism

    是一个部署在 Python 编程语言中的深度学习工具包,用于通过高效的算法处理大型文本集。


  • Chainer

    连接深度学习中的算法与实现,它强劲、灵活而敏锐,是一种用于深度学习的灵活的框架。


  • deepnet

    是一种基于 GPU 的深度学习算法的 Python 实现,比如:前馈神经网络、受限玻尔兹曼机、深度信念网络、自编码器、深度玻尔兹曼机和卷积神经网络。


  • Hebel

    是一个在 Python 中用于带有神经网络的深度学习的库,它通过 PyCUDA 使用带有 CUDA 的 GPU 加速。它可实现大多数目前最重要的神经网络模型,提供了多种不同的激活函数和训练方式,如动量,Nesterov 动量,退出(dropout)和 前期停止(early stopping)。


  • CXXNET

    是一种快速,简明的分布式深度学习框架,它以 MShadow 为基础。它是轻量级可扩展的 C++/CUDA 神经网络工具包,同时拥有友好的 Python/Matlab 界面,可供机器学习的训练和预测使用。


  • DeepPy

    是一种建立在 Mumpy 之上的 Python 化的深度学习框架。


  • DeepLearning

    是一个用 C++和 Python 开发的深度学习库。

  • Neon 是 Nervana 公司基于 Python 开发的深度学习框架。

C++


  • eblearn

    是一个机器学习的开源 C++库,由纽约大学机器学习实验室的 Yann LeCun 牵头研发。尤其是,按照 GUI、演示和教程来部署的带有基于能量的模型的卷积神经网络。


  • SINGA

    被设计用来进行已有系统中分布式训练算法的普通实现。它由 Apache Software Foundation 提供支持。

  • NVIDIA
    DIGITS

    是一个新的用于开发、训练和可视化神经网络系统。它把深度学习放进了基于浏览器的界面中,让数据分析师和研究人员可以快速设计最好的深度学习神经网络(DNN)来获取实时的网络行为可视化数据。


  • Intel® Deep Learning Framework

    为英特尔的平台提供了统一的框架来加速深度卷积神经网络。

Java


  • N-Dimensional Arrays for Java (ND4J)

    是一种为 JVM 设计的科学计算库。它们被应用在生产环境中,这就意味着路径被设计成可以最小的 RAM 内存需求来快速运行。


  • Deeplearning4j

    是第一个为 Java 和 Scala 编写的消费级开元分布式深度学习库。它被设计成在商业环境中使用,而非研究工具。


  • Encog

    是一种先进的机器学习框架,支持支持向量机(Support Vector Machines),人工神经网络(Artificial Neural Networks),基因编程(Genetic Programming),贝叶斯网络(Bayesian Networks),隐马尔科夫模型(Hidden Markov Models)和 遗传算法(Genetic Algorithms)。

JavaScript


  • Convent.js

    是一种 Javascript 中用于深度学习模型(主要是神经网络)的库。完全在浏览器中使用,不需要开发工具,不需要编译器,不需要安装,也不需要 GPU 的支持,简单易用。

Lua


  • Torch

    是一种科学计算框架,可支持多种计算机学习算法。

Julia


  • Mocha

    用于 Julia 的一种深度学习框架,其灵感来源于 C++框架 Caffe。在 Mocha 中通用的随机梯度求解器和公共层的有效实现可以被用于训练深度/浅层(卷积)神经网络,其带有通过(堆叠的)自动解码器的(可选的)无监督的预训练。其最大特点包括:带有模块化架构、 高层面的接口、便携性与速度、兼容性等等。

Lisp


  • Lush(Lisp Universal Shell)

    是一种为研究人员、试验者以及对大规模数值和图形应用感兴趣的工程师设计的、面向对象的编程语言。它带有丰富的作为机器学习库一部分的深度学习库。

Haskell


  • DNNGraph

    是一个用 Haskell 编写的深度神经网络生成 DSL。

.NET


  • Accord.NET

    是一种.NET 机器学习框架,包含声音和图像处理库,它完全由 C# 编写。它是一种为开发生产级的计算机视觉、计算机听觉、信号处理和统计应用而设计的完整框架。

R


  • darch

    包可以用于建立多层神经网络(深层结构)。其中的训练方式包括使用对比发散法进行提前训练,或使用通常的训练方法(如反向传播和共轭梯度)进行一些微调。


  • deepnet

    实现了一些深度学习架构和神经网络算法,包括 BP、RBM、DBN、深度自编码器等等。

分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址