Téléchargement SiaNet - Téléchargement du code source SiaNet

SiaNet

Code Source AI

1.0.0

Télécharger

Trello est utilisé pour suivre les activités de développement de SiaNet. Vous êtes invités à regarder n’importe quelle tâche et à suivre la progression. La suggestion sera mise sur la liste de souhaits puis sera planifiée pour le développement

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

Bibliothèque d'apprentissage profond AC#

Développement d'un wrapper C# pour aider les développeurs à créer et former facilement des modèles de réseaux neuronaux profonds.

Bibliothèque facile à utiliser, concentrez-vous uniquement sur la recherche
Backend multiple – CNTK, TensorFlow, MxNet, PyTorch, ArrayFire
Prise en charge de CUDA/OpenCL pour certains backends
Bibliothèque légère, construite avec la norme .NET 2.0
Code bien structuré, facile à étendre si vous souhaitez étendre avec une nouvelle couche, perte, métriques, optimiseurs, contraintes, régulariseur

Un exemple basique

Ce qui suit est un exemple de classification avec l'ensemble de données Titanic. Capable d’atteindre une précision de 75 % en 10 époques.

 //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 ( ) ;