(Перенаправлено из Сравнение программного обеспечения для глубокого обучения )
Перейти к навигации Перейти к поискуВ следующей таблице сравниваются известные программные фреймворки , библиотеки и компьютерные программы для глубокого обучения .
Программное обеспечение для глубокого обучения по названию [ править ]
Программного обеспечения | Создатель | изначальный выпуск | Лицензия на программное обеспечение [a] | Открытый исходный код | Платформа | Написано в | Интерфейс | Поддержка OpenMP | Поддержка OpenCL | Поддержка CUDA | Автоматическая дифференциация [1] | Имеет предварительно обученных моделей | Рекуррентные сети | Сверточные сети | RBM / DBNs | Параллельное выполнение (многоузловой) | Активно развивается |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
BigDL | Джейсон Дай (Intel) | 2016 г. | Apache 2.0 | да | Apache Spark | Scala | Скала, Python | Нет | да | да | да | ||||||
Кафе | Berkeley Vision and Learning Center | 2013 | BSD | да | Linux , macOS , Windows [2] | C ++ | Python , MATLAB , C ++ | да | В разработке [3] | да | да | Да [4] | да | да | Нет | ? | Нет [5] |
Chainer | Предпочитаемые сети | 2015 г. | BSD | да | Linux , macOS | Python | Python | Нет | Нет | да | да | да | да | да | Нет | да | Нет [6] |
Deeplearning4j | Команда инженеров Skymind; Сообщество Deeplearning4j; первоначально Адам Гибсон | 2014 г. | Apache 2.0 | да | Linux , macOS , Windows , Android ( кроссплатформенность ) | C ++ , Java | Java , Scala , Clojure , Python ( Керас ), Котлин | да | Нет [7] | Да [8] [9] | Вычислительный график | Да [10] | да | да | да | Да [11] | |
Длиб | Дэвис Кинг | 2002 г. | Лицензия на программное обеспечение Boost | да | Кроссплатформенность | C ++ | C ++ , Python | да | Нет | да | да | да | Нет | да | да | да | |
Поток | Майк Иннес | 2017 г. | Лицензия MIT | да | Linux , MacOS , Windows ( кроссплатформенность ) | Юля | Юля | да | да | Да [12] | да | да | Нет | да | да | ||
Библиотека ускорения Intel Data Analytics | Intel | 2015 г. | Лицензия Apache 2.0 | да | Linux , MacOS , Windows , на Intel CPU [13] | C ++ , Python , Java | C ++ , Python , Java [13] | да | Нет | Нет | да | Нет | да | да | |||
Библиотека ядра Intel Math | Intel | Проприетарный | Нет | Linux , MacOS , Windows , на Intel CPU [14] | C [15] | Да [16] | Нет | Нет | да | Нет | Да [17] | Да [17] | Нет | ||||
Керас | Франсуа Шоле | 2015 г. | Лицензия MIT | да | Linux , macOS , Windows | Python | Python , R | Только при использовании Theano в качестве бэкэнда | Может использовать Theano, Tensorflow или PlaidML в качестве бэкэндов | да | да | Да [18] | да | да | Нет [19] | Да [20] | да |
MATLAB + Набор инструментов для глубокого обучения | MathWorks | Проприетарный | Нет | Linux , macOS , Windows | C , C ++ , Java , MATLAB | MATLAB | Нет | Нет | Тренируйтесь с помощью Parallel Computing Toolbox и генерируйте код CUDA с помощью GPU Coder [21] | Да [22] | Да [23] [24] | Да [23] | Да [23] | да | С Parallel Computing Toolbox [25] | да | |
Microsoft Cognitive Toolkit (CNTK) | Microsoft Research | 2016 г. | Лицензия MIT [26] | да | Windows , Linux [27] ( macOS через Docker по плану развития) | C ++ | Python ( Keras ), C ++ , командная строка , [28] BrainScript [29] ( .NET в дорожной карте [30] ) | Да [31] | Нет | да | да | Да [32] | Да [33] | Да [33] | Нет [34] | Да [35] | Нет [36] |
Apache MXNet | Фонд программного обеспечения Apache | 2015 г. | Apache 2.0 | да | Linux , macOS , Windows , [37] [38] AWS , Android , [39] iOS , JavaScript [40] | Малая базовая библиотека C ++ | C ++ , Python , Julia , Matlab , JavaScript , Go , R , Scala , Perl , Clojure | да | По дорожной карте [41] | да | Да [42] | Да [43] | да | да | да | Да [44] | да |
Нейронный дизайнер | Артельника | 2014 г. | Проприетарный | Нет | Linux , macOS , Windows | C ++ | Графический пользовательский интерфейс | да | Нет | да | Аналитическая дифференциация | Нет | Нет | Нет | Нет | да | да |
OpenNN | Артельника | 2003 г. | GNU LGPL | да | Кроссплатформенность | C ++ | C ++ | да | Нет | да | ? | ? | Нет | Нет | Нет | ? | |
PlaidML | Vertex.AI , Intel | 2017 г. | Apache 2.0 | да | Linux , macOS , Windows | Python , C ++ , OpenCL | Python , C ++ | ? | Некоторые OpenCL ICD не распознаются | Нет | да | да | да | да | да | да | |
PyTorch | Адам Пашке, Сэм Гросс, Сумит Чинтала, Грегори Чанан (Facebook) | 2016 г. | BSD | да | Linux , macOS , Windows | Python , C , C ++ , CUDA | Python , C ++ , Юлия | да | Через отдельно обслуживаемый пакет [45] [46] | да | да | да | да | да | да | да | |
Seq2SeqSharp | Чжункай Фу | 2018 г. | BSD | да | Linux , macOS , Windows | C # , C , C ++ , CUDA | C # | да | Нет | да | да | да | да | Нет | Нет | да | да |
Apache SINGA | Фонд программного обеспечения Apache | 2015 г. | Apache 2.0 | да | Linux , macOS , Windows | C ++ | Python , C ++ , Java | Нет | Поддерживается в версии 1.0 | да | ? | да | да | да | да | да | |
TensorFlow | Google Brain | 2015 г. | Apache 2.0 | да | Linux , macOS , Windows , [47] [48] Android | C ++ , Python , CUDA | Python ( Keras ), C / C ++ , Java , Go , JavaScript , R , [49] Джулия , Свифт | Нет | На дорожной карты [50] , но уже с SYCL [51] поддержка | да | Да [52] | Да [53] | да | да | да | да | да |
Theano | Université de Montréal | 2007 г. | BSD | да | Кроссплатформенность | Python | Python ( Керас ) | да | В разработке [54] | да | Да [55] [56] | Через модельный зоопарк Лазаньи [57] | да | да | да | Да [58] | Нет |
Факел | Ронан Коллобер, Корай Кавукчуоглу, Клемент Фарабет | 2002 г. | BSD | да | Linux , macOS , Windows , [59] Android , [60] iOS | C , Lua | Lua , LuaJIT , [61] C , служебная библиотека для C ++ / OpenCL [62] | да | Реализации сторонних производителей [63] [64] | Да [65] [66] | Через Twitter 's Autograd [67] | Да [68] | да | да | да | Да [59] | Нет |
Wolfram Mathematica | Wolfram Research | 1988 г. | Проприетарный | Нет | Windows , macOS , Linux , облачные вычисления | C ++ , язык Wolfram Language , CUDA | Язык Wolfram Language | да | Нет | да | да | Да [69] | да | да | да | Да [70] | да |
Программного обеспечения | Создатель | изначальный выпуск | Лицензия на программное обеспечение [a] | Открытый исходный код | Платформа | Написано в | Интерфейс | Поддержка OpenMP | Поддержка OpenCL | Поддержка CUDA | Автоматическая дифференциация [71] | Имеет предварительно обученных моделей | Рекуррентные сети | Сверточные сети | RBM / DBNs | Параллельное выполнение (многоузловой) | Активно развивается |
- ^ 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 формата | Цель дизайна | Совместим с другими форматами | Автономная модель DNN | Предварительная обработка и постобработка | Конфигурация времени выполнения для настройки и калибровки | Модель межсоединения DNN | Общая платформа |
---|---|---|---|---|---|---|---|
TensorFlow , Keras , Caffe , факел , ONNX , | Алгоритм обучения | Нет | Нет / отдельные файлы в большинстве форматов | Нет | Нет | Нет | да |
ONNX | Алгоритм обучения | да | Нет / отдельные файлы в большинстве форматов | Нет | Нет | Нет | да |
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 ]
- ^ 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 ].
- ^ "Microsoft / кафе" . GitHub .
- ^ «Caffe: быстрый открытый фреймворк для глубокого обучения» . 19 июля 2019 г. - через GitHub.
- ^ "Кафе | Модельный зоопарк" . caffe.berkeleyvision.org .
- ^ GitHub - BVLC / caffe: быстрый открытый фреймворк для глубокого обучения. , Berkeley Vision and Learning Center, 25 сентября 2019 г. , данные получены 25 сентября 2019 г.
- ^ Preferred Networks переносит свою платформу исследований глубокого обучения на PyTorch , 05.12.2019 , получено 27.12.2019
- ^ «Поддержка Open CL · Проблема № 27 · deeplearning4j / nd4j» . GitHub .
- ^ "N-мерные научные вычисления для Java" .
- ^ «Сравнение лучших фреймворков глубокого обучения» . Deeplearning4j. Архивировано из оригинала на 2017-11-07 . Проверено 31 октября 2017 .
- ^ Крис Николсон; Адам Гибсон. «Модели Deeplearning4j» . Архивировано из оригинала на 2017-02-11 . Проверено 2 марта 2016 .
- ^ Deeplearning4j. «Deeplearning4j на Spark» . Deeplearning4j. Архивировано из оригинала на 2017-07-13 . Проверено 1 сентября 2016 .
- ^ "Metalhead" . FluxML.
- ^ a b «Библиотека ускорения Intel® Data Analytics (Intel® DAAL)» . software.intel.com . 20 ноября 2018.
- ^ «Intel® Math Kernel Library (Intel® MKL)» . software.intel.com . 11 сентября 2018.
- ^ «Функции глубокой нейронной сети» . software.intel.com . 24 мая 2019.
- ^ «Использование Intel® MKL с многопоточными приложениями» . software.intel.com . 1 июня 2017 г.
- ^ a b «Intel® Xeon Phi ™ обеспечивает конкурентоспособную производительность для глубокого обучения - и быстро становится лучше» . software.intel.com . 21 марта 2019.
- ^ «Приложения - Документация Keras» . keras.io .
- ^ «Есть ли RBM в Керасе? · Проблема № 461 · keras-team / keras» . GitHub .
- ^ «Поддерживает ли Keras использование нескольких графических процессоров? · Проблема № 2436 · keras-team / keras» . GitHub .
- ^ "GPU Coder - MATLAB и Simulink" . MathWorks . Проверено 13 ноября 2017 года .
- ^ «Фон автоматического дифференцирования - MATLAB и Simulink» . MathWorks . 3 сентября 2019 . Проверено 19 ноября 2019 года .
- ^ a b c "Набор инструментов нейронной сети - MATLAB" . MathWorks . Проверено 13 ноября 2017 года .
- ^ «Модели глубокого обучения - MATLAB и Simulink» . MathWorks . Проверено 13 ноября 2017 года .
- ^ "Набор инструментов для параллельных вычислений - MATLAB" . MathWorks . Проверено 13 ноября 2017 года .
- ^ "CNTK / LICENSE.md в главном · Microsoft / CNTK · GitHub" . GitHub .
- ^ "Настройте CNTK на вашем компьютере" . GitHub .
- ^ "Обзор использования CNTK" . GitHub .
- ^ "BrainScript Network Builder" . GitHub .
- ^ «Поддержка .NET · Проблема № 960 · Microsoft / CNTK» . GitHub .
- ^ «Как обучить модель на нескольких машинах? · Проблема № 59 · Microsoft / CNTK» . GitHub .
- ^ «Предварительно созданные модели для классификации изображений · Проблема № 140 · microsoft / CNTK» . GitHub .
- ^ a b "CNTK - Computational Network Toolkit" . Корпорация Майкрософт.
- ^ url = https://github.com/Microsoft/CNTK/issues/534
- ^ «Несколько графических процессоров и машин» . Корпорация Майкрософт.
- ^ «Заявление об ограничении ответственности» . КОМАНДА CNTK.
- ^ "Релизы · dmlc / mxnet" . Github .
- ^ «Руководство по установке - документация mxnet» . Readthdocs .
- ^ «Интеллектуальное устройство MXNet» . Прочтите TheDocs . Архивировано из оригинала на 2016-09-21 . Проверено 19 мая 2016 .
- ^ "MXNet.js" . Github .
- ^ «Поддержка других типов устройств, OpenCL AMD GPU · Проблема № 621 · dmlc / mxnet» . GitHub .
- ^ "- Перенаправление на mxnet.io" . mxnet.readthedocs.io .
- ^ "Галерея моделей" . GitHub .
- ^ «Запустите MXNet на нескольких CPU / GPU с параллельными данными» . GitHub .
- ^ "OpenCL build of pytorch: (в процессе, не используется) - hughperkins / pytorch-coriander" . 14 июля 2019 г. - через GitHub.
- ^ "Поддержка OpenCL · Проблема № 488 · pytorch / pytorch" . GitHub .
- ^ «Установить TensorFlow с помощью pip» .
- ^ «TensorFlow 0.12 добавляет поддержку Windows» .
- ^ 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
- ^ "tenorflow / roadmap.md в главном · тензорном потоке / тензорном потоке · GitHub" . GitHub . 23 января 2017 года . Проверено 21 мая 2017 года .
- ^ "Поддержка OpenCL · Проблема №22 · тензорный поток / тензорный поток" . GitHub .
- ^ "TensorFlow" . TensorFlow .
- ^ «Модели и примеры, построенные с помощью TensorFlow» . 19 июля 2019 г. - через GitHub.
- ^ «Использование графического процессора - документация Theano 0.8.2» .
- ^ «Градиент - Символическая дифференциация - Документация Theano 1.0.0» . deeplearning.net .
- ^ https://groups.google.com/d/msg/theano-users/mln5g2IuBSU/gespG36Lf_QJ
- ^ "Рецепты / модельзоо у мастера · Лазанья / Рецепты · GitHub" . GitHub .
- ^ «Использование нескольких графических процессоров - документация Theano 1.0.0» . deeplearning.net .
- ^ a b "torch / torch7" . 18 июля 2019 г. - через GitHub.
- ^ "GitHub - soumith / torch-android: Torch-7 для Android" . GitHub .
- ^ "Torch7: среда для машинного обучения, подобная Matlab" (PDF) .
- ^ «GitHub - jonathantompson / jtorch: служебная библиотека OpenCL Torch» . GitHub .
- ^ "Шпаргалка" . GitHub .
- ^ "cltorch" . GitHub .
- ^ "Torch CUDA backend" . GitHub .
- ^ "Torch CUDA backend для nn" . GitHub .
- ^ "Autograd автоматически распознает собственный код Torch: twitter / torch-autograd" . 9 июля 2019 г. - через GitHub.
- ^ "ModelZoo" . GitHub .
- ^ "Wolfram Neural Net Repository моделей нейронных сетей" . resources.wolframcloud.com .
- ^ «Параллельные вычисления - документация на языке Wolfram Language» . reference.wolfram.com .
- ^ 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 ].