Lasagne
1.0.0
Lasagne هي مكتبة خفيفة الوزن لبناء وتدريب الشبكات العصبية في Theano. ميزاته الرئيسية هي:
ويخضع تصميمها لستة مبادئ:
باختصار، يمكنك تثبيت إصدار متوافق معروف من Theano وأحدث إصدار تطوير Lasagne عبر:
pip install -r https://raw.githubusercontent.com/Lasagne/Lasagne/master/requirements.txt
pip install https://github.com/Lasagne/Lasagne/archive/master.zipلمزيد من التفاصيل والبدائل، يرجى الاطلاع على تعليمات التثبيت.
الوثائق متاحة على الإنترنت: http://lasagne.readthedocs.org/
للحصول على الدعم، يرجى الرجوع إلى القائمة البريدية لمستخدمي اللازانيا.
import lasagne
import theano
import theano . tensor as T
# create Theano variables for input and target minibatch
input_var = T . tensor4 ( 'X' )
target_var = T . ivector ( 'y' )
# create a small convolutional neural network
from lasagne . nonlinearities import leaky_rectify , softmax
network = lasagne . layers . InputLayer (( None , 3 , 32 , 32 ), input_var )
network = lasagne . layers . Conv2DLayer ( network , 64 , ( 3 , 3 ),
nonlinearity = leaky_rectify )
network = lasagne . layers . Conv2DLayer ( network , 32 , ( 3 , 3 ),
nonlinearity = leaky_rectify )
network = lasagne . layers . Pool2DLayer ( network , ( 3 , 3 ), stride = 2 , mode = 'max' )
network = lasagne . layers . DenseLayer ( lasagne . layers . dropout ( network , 0.5 ),
128 , nonlinearity = leaky_rectify ,
W = lasagne . init . Orthogonal ())
network = lasagne . layers . DenseLayer ( lasagne . layers . dropout ( network , 0.5 ),
10 , nonlinearity = softmax )
# create loss function
prediction = lasagne . layers . get_output ( network )
loss = lasagne . objectives . categorical_crossentropy ( prediction , target_var )
loss = loss . mean () + 1e-4 * lasagne . regularization . regularize_network_params (
network , lasagne . regularization . l2 )
# create parameter update expressions
params = lasagne . layers . get_all_params ( network , trainable = True )
updates = lasagne . updates . nesterov_momentum ( loss , params , learning_rate = 0.01 ,
momentum = 0.9 )
# compile training function that updates parameters and returns training loss
train_fn = theano . function ([ input_var , target_var ], loss , updates = updates )
# train network (assuming you've got some training data in numpy arrays)
for epoch in range ( 100 ):
loss = 0
for input_batch , target_batch in training_data :
loss += train_fn ( input_batch , target_batch )
print ( "Epoch %d: Loss %g" % ( epoch + 1 , loss / len ( training_data )))
# use trained network for predictions
test_prediction = lasagne . layers . get_output ( network , deterministic = True )
predict_fn = theano . function ([ input_var ], T . argmax ( test_prediction , axis = 1 ))
print ( "Predicted class for first test input: %r" % predict_fn ( test_data [ 0 ]))للحصول على مثال يعمل بكامل طاقته، راجع الأمثلة/mnist.py، وراجع البرنامج التعليمي للحصول على توضيحات متعمقة لذلك. يتم الاحتفاظ بمزيد من الأمثلة ومقتطفات التعليمات البرمجية ونسخ الأوراق البحثية الحديثة في مستودع وصفات اللازانيا المنفصل.
إذا وجدت اللازانيا مفيدة لعملك العلمي، فيرجى التفكير في الاستشهاد بها في المنشورات الناتجة. نحن نقدم مدخل BibTeX جاهز للاستخدام للاستشهاد باللازانيا.
لازانيا عمل مستمر، المدخلات موضع ترحيب.
يرجى الاطلاع على تعليمات المساهمة للحصول على تفاصيل حول كيفية المساهمة!
