Descarga SiaNet - Descarga del código fuente SiaNet

SiaNet

Código Fuente de IA

1.0.0

Descargar

Trello se utiliza para realizar un seguimiento de las actividades de desarrollo de SiaNet. Le invitamos a observar cualquier tarea y realizar un seguimiento del progreso. La sugerencia se incluirá en la lista de deseos y luego se planificará para su desarrollo.

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

Biblioteca de aprendizaje profundo AC#

Desarrollar un contenedor de C# para ayudar al desarrollador a crear y entrenar fácilmente modelos de redes neuronales profundas.

Biblioteca fácil de usar, solo concéntrate en la investigación
Múltiples backends: CNTK, TensorFlow, MxNet, PyTorch, ArrayFire
Soporte CUDA/OpenCL para algunos de los backends
Biblioteca liviana, construida con el estándar .NET 2.0
Código bien estructurado, fácil de ampliar si desea ampliar con una nueva capa, pérdida, métricas, optimizadores, restricciones y regularizador.

Un ejemplo básico

El siguiente es un ejemplo de clasificación con el conjunto de datos del Titanic. Capaz de alcanzar el 75% de precisión en 10 épocas.

 //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 ( ) ;