2019 深度学习工具汇总

 深度学习工具

深度学习的进步也严重依赖于软件基础架构的进展。 软件库如： Torch(2011),  Theano(2012), DistBelief(2012), PyLearn2 (2013),  Caffe(2013), MXNet (2015) 和 TensorFlow(2015) 都能支持重要的研究项目或商业产品。

如果说深度学习的话，我个人接触是在2015年，这个技术其实被雪藏了很久，在2012年又得到了完全的爆发，至今已经是AI界的主流，那今天就来说说最实际也是接触最多的一个环节，那就是框架，也可以说是工具。

大家所了解的工具不知道有哪些？？？

今天，我以我使用过的工具来和大家分享，希望你们可以找到自己喜欢的工具，与其一起去“ 炼丹 ”（不知道这个意思的，百度下）嘿嘿！

在我研究生入学以来，接触的深度学习工具一只手就可以数过来，有兴趣的小伙伴可以深入搜索，网上还是有很多不同说法。我接下来根基我自己的实际体验而大家说说深度学习工具这些事。 Matlab

Matlab

刚开始接触深度学习，第一个使用的工具就是：DeepLearnToolbox，一个用于深度学习的Matlab工具箱。 深度学习作为机器学习的一个新领域，它的重点是学习深层次的数据模型，其主要灵感来自于人脑表面的深度分层体系结构，深度学习理论的一个很好的概述是学习人工智能的深层架构。这个工具箱比较简单，当时我就做了一个手写数字和人脸分类（AR人脸数据库）。主要包括如下：

NN ：前馈BP神经网络的库

CNN ：卷积神经网络的库

DBN ：深度置信网络的库

SAE ：堆栈自动编码器的库

CAE ：卷积自动编码器的库

Util ：库中使用的效用函数

Data ：数据存储

tests ：用来验证工具箱正在工作的测试

案例如下

rand('state',0)     
  
cnn.layers = {  
  
struct('type', 'i')            %输入  
  
struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5)  %卷积层  
  
struct('type', 's', 'scale', 2)    %下采样层  
  
struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %卷积层  
  
struct('type', 's', 'scale', 2)    %下采样层  
  
};     
  
cnn = cnnsetup(cnn, train_x, train_y);   opts.alpha = 1;     
  
opts.batchsize = 50;     
  
opts.numepochs = 5;     
  
cnn = cnntrain(cnn, train_x, train_y, opts); save CNN_5 cnn;  
  
load CNN_5;     
  
[er, bad]  = cnntest(cnn, test_x, test_y);   figure; plot(cnn.rL);     
  
assert(er<0.12, 'Too big error');  

运行界面比较单一：

PyTorch

这个Pytorch库的话，其实我没怎么用，就是随便试玩了下，个人感觉还是不要碰了，没啥意思，我接下来也就简单聊一下。 他是一个基于Python的科学计算包，目标用户有两类。一类是 为了使用GPU来替代numpy；另一类是一个深度学习援救平台：提供最大的灵活性和速度。

以深度学习来说，可以使用 torch.nn 包来构建神经网络。已知道autograd包，nn包依赖autograd包来定义模型并求导。一个nn.Module包含各个层和一个faward(input)方法，该方法返回output。

案例如下

import torch from torch.autograd 
 
import Variable import torch.nn   
 
import torch.nn.functional as F   
 
class Net(nn.Module):      
 
def __init__(self):          
 
super(Net, self).__init__()          
 
# 1 input image channel, 6 output channels, 5*5 square convolution          
 
# kernel           
 
self.conv1 = nn.Conv2d(1, 6, 5)                  
 
self.conv2 = nn.Conv2d(6, 16, 5)          
 
# an affine operation: y = Wx + b              
 
self.fc1 = nn.Linear(16 * 5 * 5, 120)              
 
self.fc2 = nn.Linear(120, 84)              
 
self.fc3 = nn.Linear(84, 10)       
 
def forward(self, x):          
 
# max pooling over a (2, 2) window 
 
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) 
 
# If size is a square you can only specify a single number 
 
x = F.max_pool2d(F.relu(self.conv2(x)), 2) 
 
x = x.view(-1, self.num_flat_features(x)) 
 
x = F.relu(self.fc1(x)) 
 
x = F.relu(self.fc2(x)) 
 
x = self.fc3(x)          
 
return x       
 
def num_flat_features(self, x):          
 
size = x.size()[1:] 
 
# all dimensions except the batch dimension          
 
num_features = 1          
 
for s in size:              
 
num_features *= s          
 
return num_features 
 
net = Net()  
 
print(net) 

具体操作和细节过程，有兴趣的可以抽空去玩玩！

Caffe

（编辑：宣城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!