TensorLayer

Bitte klicken Sie auf TensorLayerX

TensorLayer ist eine neuartige TensorFlow-basierte Deep-Learning- und Reinforcement-Learning-Bibliothek, die für Forscher und Ingenieure entwickelt wurde. Es bietet eine umfangreiche Sammlung anpassbarer neuronaler Schichten, um schnell fortschrittliche KI-Modelle zu erstellen, auf deren Grundlage die Community Open-Source-Massen-Tutorials und -Anwendungen bereitstellt. TensorLayer wird von der ACM Multimedia Society als beste Open-Source-Software 2017 ausgezeichnet. Dieses Projekt ist auch bei OpenI und Gitee zu finden.

Nachricht

• TensorLayerX ist ein einheitliches Deep-Learning- und Reinforcement-Learning-Framework für alle Hardwares, Backends und Betriebssysteme. Die aktuelle Version unterstützt TensorFlow, Pytorch, MindSpore, PaddlePaddle, OneFlow und Jittor als Backends, sodass Benutzer den Code auf unterschiedlicher Hardware wie Nvidia-GPU und Huawei-Ascend ausführen können.
• TensorLayer ist jetzt in OpenI
• Reinforcement Learning Zoo: Low-Level-APIs für den professionellen Einsatz, High-Level-APIs für den einfachen Einsatz und ein entsprechendes Springer-Lehrbuch
• Sipeed Maxi-EMC: Führen Sie TensorLayer-Modelle auf dem kostengünstigen KI-Chip (z. B. K210) aus (Alpha-Version)

Designmerkmale

TensorLayer ist eine neue Deep-Learning-Bibliothek, die auf Einfachheit, Flexibilität und hohe Leistung ausgelegt ist.

• Einfachheit : TensorLayer verfügt über eine Ebenen-/Modellabstraktion auf hoher Ebene, die mühelos zu erlernen ist. Anhand umfangreicher Beispiele erfahren Sie in wenigen Minuten, wie Deep Learning Ihre KI-Aufgaben unterstützen kann.
• Flexibilität : TensorLayer-APIs sind transparent und flexibel, inspiriert von der neuen PyTorch-Bibliothek. Im Vergleich zur Keras-Abstraktion erleichtert TensorLayer das Erstellen und Trainieren komplexer KI-Modelle erheblich.
• Kostenfreie Abstraktion : Obwohl TensorLayer einfach zu verwenden ist, müssen Sie keine Kompromisse bei der Leistung von TensorFlow eingehen (weitere Informationen finden Sie im folgenden Benchmark-Abschnitt).

TensorLayer steht an einer einzigartigen Stelle in den TensorFlow-Wrappern. Andere Wrapper wie Keras und TFLearn verbergen viele leistungsstarke Funktionen von TensorFlow und bieten wenig Unterstützung für das Schreiben benutzerdefinierter KI-Modelle. Die von PyTorch inspirierten TensorLayer-APIs sind einfach, flexibel und pythonisch, sodass sie leicht zu erlernen sind und gleichzeitig flexibel genug sind, um komplexe KI-Aufgaben zu bewältigen. TensorLayer hat eine schnell wachsende Community. Es wird von Forschern und Ingenieuren auf der ganzen Welt verwendet, darunter von der Peking-Universität, dem Imperial College London, der UC Berkeley, der Carnegie Mellon University, der Stanford University und Unternehmen wie Google, Microsoft, Alibaba, Tencent, Xiaomi und Bloomberg.

Mehrsprachige Dokumente

TensorLayer verfügt über eine umfangreiche Dokumentation sowohl für Anfänger als auch für Profis. Die Dokumentation ist sowohl auf Englisch als auch auf Chinesisch verfügbar.

Wenn Sie die experimentellen Funktionen im Master-Zweig ausprobieren möchten, finden Sie das neueste Dokument hier.

Umfangreiche Beispiele

Eine große Sammlung von Beispielen, die TensorLayer verwenden, finden Sie hier und im folgenden Bereich:

Erste Schritte

TensorLayer 2.0 basiert auf TensorFlow, Numpy und anderen. Zur Nutzung von GPUs sind CUDA und cuDNN erforderlich.

TensorFlow installieren:

pip3 install tensorflow-gpu==2.0.0-rc1 # TensorFlow GPU (version 2.0 RC1)
pip3 install tensorflow # CPU version

Installieren Sie die stabile Version von TensorLayer:

pip3 install tensorlayer

Installieren Sie die instabile Entwicklungsversion von TensorLayer:

pip3 install git+https://github.com/tensorlayer/tensorlayer.git

Wenn Sie die zusätzlichen Abhängigkeiten installieren möchten, können Sie diese auch ausführen

pip3 install --upgrade tensorlayer[all]              # all additional dependencies
pip3 install --upgrade tensorlayer[extra]            # only the `extra` dependencies
pip3 install --upgrade tensorlayer[contrib_loggers]  # only the `contrib_loggers` dependencies

Wenn Sie TensorFlow 1.X-Benutzer sind, können Sie TensorLayer 1.11.0 verwenden:

 # For last stable version of TensorLayer 1.X
pip3 install --upgrade tensorlayer==1.11.0

Leistungsbenchmark

Die folgende Tabelle zeigt die Trainingsgeschwindigkeiten von VGG16 mit TensorLayer und nativem TensorFlow auf einem TITAN Xp.

Modus	Lib	Datenformat	Maximale GPU-Speichernutzung (MB)	Maximale CPU-Speichernutzung (MB)	Durchschnittliche CPU-Speichernutzung (MB)	Laufzeit (Sek.)
Autogramm	TensorFlow 2.0	Kanal zuletzt	11833	2161	2136	74
	TensorLayer 2.0	Kanal zuletzt	11833	2187	2169	76
Graph	Keras	Kanal zuletzt	8677	2580	2576	101
Erpicht	TensorFlow 2.0	Kanal zuletzt	8723	2052	2024	97
	TensorLayer 2.0	Kanal zuletzt	8723	2010	2007	95

Mitmachen

Bitte lesen Sie die Richtlinien für Mitwirkende, bevor Sie Ihre PRs einreichen.

Wir empfehlen Benutzern, Fehler über Github-Probleme zu melden. Benutzer können auch im folgenden Slack-Kanal diskutieren, wie TensorLayer verwendet wird.

Zitieren von TensorLayer

Wenn Sie TensorLayer für Ihr Projekt nützlich finden, zitieren Sie bitte die folgenden Dokumente:

 @article{tensorlayer2017,
    author  = {Dong, Hao and Supratak, Akara and Mai, Luo and Liu, Fangde and Oehmichen, Axel and Yu, Simiao and Guo, Yike},
    journal = {ACM Multimedia},
    title   = {{TensorLayer: A Versatile Library for Efficient Deep Learning Development}},
    url     = {http://tensorlayer.org},
    year    = {2017}
}

@inproceedings{tensorlayer2021,
  title={Tensorlayer 3.0: A Deep Learning Library Compatible With Multiple Backends},
  author={Lai, Cheng and Han, Jiarong and Dong, Hao},
  booktitle={2021 IEEE International Conference on Multimedia & Expo Workshops (ICMEW)},
  pages={1--3},
  year={2021},
  organization={IEEE}
}