Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

В следующей таблице сравниваются известные программные фреймворки , библиотеки и компьютерные программы для глубокого обучения .

Программное обеспечение для глубокого обучения по названию [ править ]

Программного обеспеченияСоздательизначальный выпускЛицензия на программное обеспечение [a]Открытый исходный кодПлатформаНаписано вИнтерфейсПоддержка OpenMPПоддержка OpenCLПоддержка CUDAАвтоматическая дифференциация [1]Имеет предварительно обученных моделейРекуррентные сетиСверточные сетиRBM / DBNsПараллельное выполнение (многоузловой)Активно развивается
BigDLДжейсон Дай (Intel)2016 г.Apache 2.0даApache SparkScalaСкала, PythonНетдадада
КафеBerkeley Vision and Learning Center2013BSDдаLinux , macOS , Windows [2]C ++Python , MATLAB , C ++даВ разработке [3]дадаДа [4]дадаНет?Нет [5]
ChainerПредпочитаемые сети2015 г.BSDдаLinux , macOSPythonPythonНетНетдададададаНетдаНет [6]
Deeplearning4jКоманда инженеров Skymind; Сообщество Deeplearning4j; первоначально Адам Гибсон2014 г.Apache 2.0даLinux , macOS , Windows , Android ( кроссплатформенность )C ++ , JavaJava , Scala , Clojure , Python ( Керас ), КотлиндаНет [7]Да [8] [9]Вычислительный графикДа [10]дададаДа [11]
ДлибДэвис Кинг2002 г.Лицензия на программное обеспечение BoostдаКроссплатформенностьC ++C ++ , PythonдаНетдададаНетдадада
ПотокМайк Иннес2017 г.Лицензия MITдаLinux , MacOS , Windows ( кроссплатформенность )ЮляЮлядадаДа [12]дадаНетдада
Библиотека ускорения Intel Data AnalyticsIntel2015 г.Лицензия Apache 2.0даLinux , MacOS , Windows , на Intel CPU [13]C ++ , Python , JavaC ++ , Python , Java [13]даНетНетдаНетдада
Библиотека ядра Intel MathIntelПроприетарныйНетLinux , MacOS , Windows , на Intel CPU [14]C [15]Да [16]НетНетдаНетДа [17]Да [17]Нет
КерасФрансуа Шоле2015 г.Лицензия MITдаLinux , macOS , WindowsPythonPython , RТолько при использовании Theano в качестве бэкэндаМожет использовать Theano, Tensorflow или PlaidML в качестве бэкэндовдадаДа [18]дадаНет [19]Да [20]да
MATLAB + Набор инструментов для глубокого обученияMathWorksПроприетарныйНетLinux , macOS , WindowsC , C ++ , Java , MATLABMATLABНетНетТренируйтесь с помощью Parallel Computing Toolbox и генерируйте код CUDA с помощью GPU Coder [21]Да [22]Да [23] [24]Да [23]Да [23]даС Parallel Computing Toolbox [25]да
Microsoft Cognitive Toolkit (CNTK)Microsoft Research2016 г.Лицензия MIT [26]даWindows , Linux [27] ( macOS через Docker по плану развития)C ++Python ( Keras ), C ++ , командная строка , [28] BrainScript [29] ( .NET в дорожной карте [30] )Да [31]НетдадаДа [32]Да [33]Да [33]Нет [34]Да [35]Нет [36]
Apache MXNetФонд программного обеспечения Apache2015 г.Apache 2.0даLinux , macOS , Windows , [37] [38] AWS , Android , [39] iOS , JavaScript [40]Малая базовая библиотека C ++C ++ , Python , Julia , Matlab , JavaScript , Go , R , Scala , Perl , ClojureдаПо дорожной карте [41]даДа [42]Да [43]дададаДа [44]да
Нейронный дизайнерАртельника2014 г.ПроприетарныйНетLinux , macOS , WindowsC ++Графический пользовательский интерфейсдаНетдаАналитическая дифференциацияНетНетНетНетдада
OpenNNАртельника2003 г.GNU LGPLдаКроссплатформенностьC ++C ++даНетда??НетНетНет?
PlaidMLVertex.AI , Intel2017 г.Apache 2.0даLinux , macOS , WindowsPython , C ++ , OpenCLPython , C ++?Некоторые OpenCL ICD не распознаютсяНетдададададада
PyTorchАдам Пашке, Сэм Гросс, Сумит Чинтала, Грегори Чанан (Facebook)2016 г.BSDдаLinux , macOS , WindowsPython , C , C ++ , CUDAPython , C ++ , ЮлиядаЧерез отдельно обслуживаемый пакет [45] [46]дадададададада
Seq2SeqSharpЧжункай Фу2018 г.BSDдаLinux , macOS , WindowsC # , C , C ++ , CUDAC #даНетдадададаНетНетдада
Apache SINGAФонд программного обеспечения Apache2015 г.Apache 2.0даLinux , macOS , WindowsC ++Python , C ++ , JavaНетПоддерживается в версии 1.0да?дадададада
TensorFlowGoogle Brain2015 г.Apache 2.0даLinux , macOS , Windows , [47] [48] AndroidC ++ , Python , CUDAPython ( Keras ), C / C ++ , Java , Go , JavaScript , R , [49] Джулия , СвифтНетНа дорожной карты [50] , но уже с SYCL [51] поддержкадаДа [52]Да [53]дадададада
TheanoUniversité de Montréal2007 г.BSDдаКроссплатформенностьPythonPython ( Керас )даВ разработке [54]даДа [55] [56]Через модельный зоопарк Лазаньи [57]дададаДа [58]Нет
ФакелРонан Коллобер, Корай Кавукчуоглу, Клемент Фарабет2002 г.BSDдаLinux , macOS , Windows , [59] Android , [60] iOSC , LuaLua , LuaJIT , [61] C , служебная библиотека для C ++ / OpenCL [62]даРеализации сторонних производителей [63] [64]Да [65] [66]Через Twitter 's Autograd [67]Да [68]дададаДа [59]Нет
Wolfram MathematicaWolfram Research1988 г.ПроприетарныйНетWindows , macOS , Linux , облачные вычисленияC ++ , язык Wolfram Language , CUDAЯзык Wolfram LanguageдаНетдадаДа [69]дададаДа [70]да
Программного обеспеченияСоздательизначальный выпускЛицензия на программное обеспечение [a]Открытый исходный кодПлатформаНаписано вИнтерфейсПоддержка OpenMPПоддержка OpenCLПоддержка CUDAАвтоматическая дифференциация [71]Имеет предварительно обученных моделейРекуррентные сетиСверточные сетиRBM / DBNsПараллельное выполнение (многоузловой)Активно развивается
  1. ^ a b Лицензии здесь являются кратким изложением и не считаются полными заявлениями о лицензиях. Некоторые библиотеки могут использовать другие библиотеки внутри компании под другими лицензиями.

Сравнение совместимости моделей машинного обучения [ править ]

Название форматаЦель дизайнаСовместим с другими форматамиАвтономная модель DNNПредварительная обработка и постобработкаКонфигурация времени выполнения для настройки и калибровкиМодель межсоединения DNNОбщая платформа
TensorFlow , Keras , Caffe , факел , ONNX ,Алгоритм обученияНетНет / отдельные файлы в большинстве форматовНетНетНетда
ONNXАлгоритм обучениядаНет / отдельные файлы в большинстве форматовНетНетНетда

См. Также [ править ]

  • Сравнение программ численного анализа
  • Сравнение статистических пакетов
  • Список наборов данных для исследований в области машинного обучения
  • Список программ численного анализа

Ссылки [ править ]

  1. ^ Atilim Гюнеш Байдин; Барак А. Перлмуттер; Алексей Андреевич Радул; Джеффри Марк Сискинд (20 февраля 2015 г.). «Автоматическая дифференциация в машинном обучении: обзор». arXiv : 1502.05767 [ cs.LG ].
  2. ^ "Microsoft / кафе" . GitHub .
  3. ^ «Caffe: быстрый открытый фреймворк для глубокого обучения» . 19 июля 2019 г. - через GitHub.
  4. ^ "Кафе | Модельный зоопарк" . caffe.berkeleyvision.org .
  5. ^ GitHub - BVLC / caffe: быстрый открытый фреймворк для глубокого обучения. , Berkeley Vision and Learning Center, 25 сентября 2019 г. , данные получены 25 сентября 2019 г.
  6. ^ Preferred Networks переносит свою платформу исследований глубокого обучения на PyTorch , 05.12.2019 , получено 27.12.2019
  7. ^ «Поддержка Open CL · Проблема № 27 · deeplearning4j / nd4j» . GitHub .
  8. ^ "N-мерные научные вычисления для Java" .
  9. ^ «Сравнение лучших фреймворков глубокого обучения» . Deeplearning4j. Архивировано из оригинала на 2017-11-07 . Проверено 31 октября 2017 .
  10. ^ Крис Николсон; Адам Гибсон. «Модели Deeplearning4j» . Архивировано из оригинала на 2017-02-11 . Проверено 2 марта 2016 .
  11. ^ Deeplearning4j. «Deeplearning4j на Spark» . Deeplearning4j. Архивировано из оригинала на 2017-07-13 . Проверено 1 сентября 2016 .
  12. ^ "Metalhead" . FluxML.
  13. ^ a b «Библиотека ускорения Intel® Data Analytics (Intel® DAAL)» . software.intel.com . 20 ноября 2018.
  14. ^ «Intel® Math Kernel Library (Intel® MKL)» . software.intel.com . 11 сентября 2018.
  15. ^ «Функции глубокой нейронной сети» . software.intel.com . 24 мая 2019.
  16. ^ «Использование Intel® MKL с многопоточными приложениями» . software.intel.com . 1 июня 2017 г.
  17. ^ a b «Intel® Xeon Phi ™ обеспечивает конкурентоспособную производительность для глубокого обучения - и быстро становится лучше» . software.intel.com . 21 марта 2019.
  18. ^ «Приложения - Документация Keras» . keras.io .
  19. ^ «Есть ли RBM в Керасе? · Проблема № 461 · keras-team / keras» . GitHub .
  20. ^ «Поддерживает ли Keras использование нескольких графических процессоров? · Проблема № 2436 · keras-team / keras» . GitHub .
  21. ^ "GPU Coder - MATLAB и Simulink" . MathWorks . Проверено 13 ноября 2017 года .
  22. ^ «Фон автоматического дифференцирования - MATLAB и Simulink» . MathWorks . 3 сентября 2019 . Проверено 19 ноября 2019 года .
  23. ^ a b c "Набор инструментов нейронной сети - MATLAB" . MathWorks . Проверено 13 ноября 2017 года .
  24. ^ «Модели глубокого обучения - MATLAB и Simulink» . MathWorks . Проверено 13 ноября 2017 года .
  25. ^ "Набор инструментов для параллельных вычислений - MATLAB" . MathWorks . Проверено 13 ноября 2017 года .
  26. ^ "CNTK / LICENSE.md в главном · Microsoft / CNTK · GitHub" . GitHub .
  27. ^ "Настройте CNTK на вашем компьютере" . GitHub .
  28. ^ "Обзор использования CNTK" . GitHub .
  29. ^ "BrainScript Network Builder" . GitHub .
  30. ^ «Поддержка .NET · Проблема № 960 · Microsoft / CNTK» . GitHub .
  31. ^ «Как обучить модель на нескольких машинах? · Проблема № 59 · Microsoft / CNTK» . GitHub .
  32. ^ «Предварительно созданные модели для классификации изображений · Проблема № 140 · microsoft / CNTK» . GitHub .
  33. ^ a b "CNTK - Computational Network Toolkit" . Корпорация Майкрософт.
  34. ^ url = https://github.com/Microsoft/CNTK/issues/534
  35. ^ «Несколько графических процессоров и машин» . Корпорация Майкрософт.
  36. ^ «Заявление об ограничении ответственности» . КОМАНДА CNTK.
  37. ^ "Релизы · dmlc / mxnet" . Github .
  38. ^ «Руководство по установке - документация mxnet» . Readthdocs .
  39. ^ «Интеллектуальное устройство MXNet» . Прочтите TheDocs . Архивировано из оригинала на 2016-09-21 . Проверено 19 мая 2016 .
  40. ^ "MXNet.js" . Github .
  41. ^ «Поддержка других типов устройств, OpenCL AMD GPU · Проблема № 621 · dmlc / mxnet» . GitHub .
  42. ^ "- Перенаправление на mxnet.io" . mxnet.readthedocs.io .
  43. ^ "Галерея моделей" . GitHub .
  44. ^ «Запустите MXNet на нескольких CPU / GPU с параллельными данными» . GitHub .
  45. ^ "OpenCL build of pytorch: (в процессе, не используется) - hughperkins / pytorch-coriander" . 14 июля 2019 г. - через GitHub.
  46. ^ "Поддержка OpenCL · Проблема № 488 · pytorch / pytorch" . GitHub .
  47. ^ «Установить TensorFlow с помощью pip» .
  48. ^ «TensorFlow 0.12 добавляет поддержку Windows» .
  49. ^ interface), JJ Allaire (R; RStudio; Eddelbuettel, Dirk; Golding, Nick; Tang, Yuan; Tutorials), Google Inc (Примеры и (2017-05-26), tensorflow: R Interface to TensorFlow , получено 2017-06 -14
  50. ^ "tenorflow / roadmap.md в главном · тензорном потоке / тензорном потоке · GitHub" . GitHub . 23 января 2017 года . Проверено 21 мая 2017 года .
  51. ^ "Поддержка OpenCL · Проблема №22 · тензорный поток / тензорный поток" . GitHub .
  52. ^ "TensorFlow" . TensorFlow .
  53. ^ «Модели и примеры, построенные с помощью TensorFlow» . 19 июля 2019 г. - через GitHub.
  54. ^ «Использование графического процессора - документация Theano 0.8.2» .
  55. ^ «Градиент - Символическая дифференциация - Документация Theano 1.0.0» . deeplearning.net .
  56. ^ https://groups.google.com/d/msg/theano-users/mln5g2IuBSU/gespG36Lf_QJ
  57. ^ "Рецепты / модельзоо у мастера · Лазанья / Рецепты · GitHub" . GitHub .
  58. ^ «Использование нескольких графических процессоров - документация Theano 1.0.0» . deeplearning.net .
  59. ^ a b "torch / torch7" . 18 июля 2019 г. - через GitHub.
  60. ^ "GitHub - soumith / torch-android: Torch-7 для Android" . GitHub .
  61. ^ "Torch7: среда для машинного обучения, подобная Matlab" (PDF) .
  62. ^ «GitHub - jonathantompson / jtorch: служебная библиотека OpenCL Torch» . GitHub .
  63. ^ "Шпаргалка" . GitHub .
  64. ^ "cltorch" . GitHub .
  65. ^ "Torch CUDA backend" . GitHub .
  66. ^ "Torch CUDA backend для nn" . GitHub .
  67. ^ "Autograd автоматически распознает собственный код Torch: twitter / torch-autograd" . 9 июля 2019 г. - через GitHub.
  68. ^ "ModelZoo" . GitHub .
  69. ^ "Wolfram Neural Net Repository моделей нейронных сетей" . resources.wolframcloud.com .
  70. ^ «Параллельные вычисления - документация на языке Wolfram Language» . reference.wolfram.com .
  71. ^ Atilim Гюнеш Байдин; Барак А. Перлмуттер; Алексей Андреевич Радул; Джеффри Марк Сискинд (20 февраля 2015 г.). «Автоматическая дифференциация в машинном обучении: обзор». arXiv : 1502.05767 [ cs.LG ].