SiaNet Download – Download SiaNet Quellcodes

SiaNet

AI-Quellcode

1.0.0

Herunterladen

Trello wird verwendet, um SiaNet-Entwicklungsaktivitäten zu verfolgen. Gerne können Sie sich jede Aufgabe ansehen und den Fortschritt verfolgen. Der Vorschlag wird auf die Wunschliste gesetzt und dann für die Entwicklung geplant

https://trello.com/b/bLbgQLgy/sianet-development

AC#-Deep-Learning-Bibliothek

Entwicklung eines C#-Wrappers, um Entwicklern das einfache Erstellen und Trainieren tiefer neuronaler Netzwerkmodelle zu erleichtern.

Einfach zu bedienende Bibliothek, konzentrieren Sie sich einfach auf die Recherche
Mehrere Backends – CNTK, TensorFlow, MxNet, PyTorch, ArrayFire
CUDA/OpenCL-Unterstützung für einige Backends
Leichte Bibliothek, erstellt mit .NET Standard 2.0
Gut strukturierter Code, einfach zu erweitern, wenn Sie ihn um neue Ebenen, Verluste, Metriken, Optimierer, Einschränkungen und Regularisierer erweitern möchten

Ein einfaches Beispiel

Unten sehen Sie ein Klassifizierungsbeispiel mit dem Titanic-Datensatz. Kann innerhalb von 10 Epochen eine Genauigkeit von 75 % erreichen.

 //Setup Engine. If using TensorSharp then pass SiaNet.Backend.TensorSharp.SiaNetBackend.Instance. 
//Once other backend is ready you will be able to use CNTK, TensorFlow and MxNet as well.
Global . UseEngine ( SiaNet . Backend . ArrayFire . SiaNetBackend . Instance , DeviceType . CPU ) ;

var dataset = LoadTrain ( ) ; //Load train data
var test = LoadTest ( ) ; //Load test data

var ( train , val ) = dataset . Split ( 0.25 ) ;

//Build model
var model = new Sequential ( ) ;
model . EpochEnd += Model_EpochEnd ;
model . Add ( new Dense ( 128 , ActivationType . ReLU ) ) ;
model . Add ( new Dense ( 64 , ActivationType . ReLU ) ) ;
model . Add ( new Dense ( 1 , ActivationType . Sigmoid ) ) ;

//Compile with Optimizer, Loss and Metric
model . Compile ( OptimizerType . Adam , LossType . BinaryCrossEntropy , MetricType . BinaryAccurary ) ;

// Train for 100 epoch with batch size of 32
model . Train ( train , 100 , 32 , val ) ;

var predictions = model . Predict ( test ) ;
predictions . Print ( ) ;