Unduhan Lasagne - Unduhan kode sumber Lasagne

Lasagne

ular piton

1.0.0

Unduh

Lasagna

Lasagna adalah perpustakaan ringan untuk membangun dan melatih jaringan saraf di Theano. Fitur utamanya adalah:

Mendukung jaringan feed-forward seperti Convolutional Neural Networks (CNNs), jaringan berulang termasuk Long Short-Term Memory (LSTM), dan kombinasi apa pun darinya
Mengizinkan arsitektur banyak masukan dan banyak keluaran, termasuk pengklasifikasi tambahan
Banyak metode optimasi termasuk momentum Nesterov, RMSprop dan ADAM
Fungsi biaya dapat ditentukan secara bebas dan tidak perlu menurunkan gradien karena diferensiasi simbolis Theano
Dukungan transparan untuk CPU dan GPU karena kompiler ekspresi Theano

Desainnya diatur oleh enam prinsip:

Kesederhanaan: Mudah digunakan, mudah dipahami dan mudah diperluas, untuk memudahkan penggunaan dalam penelitian
Transparansi: Jangan sembunyikan Theano di balik abstraksi, langsung proses dan kembalikan ekspresi Theano atau tipe data Python/numpy
Modularitas: Memungkinkan semua bagian (lapisan, pengatur, pengoptimal, ...) digunakan secara independen dari Lasagna
Pragmatisme: Permudah kasus penggunaan umum, jangan melebih-lebihkan kasus yang tidak biasa
Pengendalian: Jangan menghalangi pengguna dengan fitur yang mereka putuskan untuk tidak digunakan
Fokus : “Lakukan satu hal dan lakukan dengan baik”

Instalasi

Singkatnya, Anda dapat menginstal versi Theano yang kompatibel dan versi pengembangan Lasagna terbaru melalui:

pip install -r https://raw.githubusercontent.com/Lasagne/Lasagne/master/requirements.txt
pip install https://github.com/Lasagne/Lasagne/archive/master.zip

Untuk detail lebih lanjut dan alternatifnya, silakan lihat petunjuk Instalasi.

Dokumentasi

Dokumentasi tersedia online: http://lasagne.readthedocs.org/

Untuk dukungan, silakan merujuk ke milis pengguna lasagna.

Contoh

 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 ]))

Untuk contoh yang berfungsi penuh, lihat example/mnist.py, dan periksa Tutorial untuk penjelasan mendalam mengenai hal tersebut. Contoh lainnya, cuplikan kode, dan reproduksi makalah penelitian terbaru disimpan di repositori Resep Lasagna yang terpisah.

Kutipan

Jika Anda merasa Lasagna berguna untuk karya ilmiah Anda, mohon pertimbangkan untuk mengutipnya dalam publikasi yang dihasilkan. Kami menyediakan entri BibTeX siap pakai untuk mengutip Lasagna.