chainer

Pemberitahuan: Seperti yang diumumkan, Chainer sedang dalam tahap pemeliharaan dan pengembangan lebih lanjut akan terbatas pada perbaikan bug dan pemeliharaan saja.

---

Chainer: Kerangka pembelajaran yang mendalam

Situs web | Dokumen | Panduan Pemasangan | Tutorial (ja) | Contoh (Resmi, Eksternal) | Konsep | rantaiX

Forum (en, ja) | Undangan kendur (en, ja) | Twitter (id, ja)

Chainer adalah kerangka pembelajaran mendalam berbasis Python yang bertujuan untuk fleksibilitas. Ini menyediakan API diferensiasi otomatis berdasarkan pendekatan definisikan demi proses (alias grafik komputasi dinamis) serta API tingkat tinggi berorientasi objek untuk membangun dan melatih jaringan saraf. Ini juga mendukung CUDA/cuDNN menggunakan CuPy untuk pelatihan dan inferensi kinerja tinggi. Untuk detail selengkapnya tentang Chainer, lihat dokumen dan sumber daya yang tercantum di atas dan bergabunglah dengan komunitas di Forum, Slack, dan Twitter.

Instalasi

Untuk lebih jelasnya, lihat panduan instalasi.

Untuk menginstal Chainer, gunakan pip .

$ pip install chainer

Untuk mengaktifkan dukungan CUDA, diperlukan CuPy. Lihat panduan instalasi CuPy.

gambar buruh pelabuhan

Kami menyediakan image Docker resmi. Gambar ini mendukung nvidia-docker. Masuk ke lingkungan dengan perintah berikut, dan jalankan juru bahasa Python untuk menggunakan Chainer dengan dukungan CUDA dan cuDNN.

 $ nvidia-docker run -it chainer/chainer /bin/bash

Kontribusi

Lihat panduan kontribusi.

rantaiX

Lihat dokumentasi ChainerX.

Lisensi

Lisensi MIT (lihat file LICENSE ).

Informasi lebih lanjut

• Catatan rilis

Referensi

Tokui, Seiya, dkk. "Chainer: Kerangka Pembelajaran Mendalam untuk Mempercepat Siklus Penelitian." Prosiding Konferensi Internasional ACM SIGKDD ke-25 tentang Penemuan Pengetahuan & Penambangan Data . ACM, 2019. URL BibTex

Tokui, S., Oono, K., Hido, S. dan Clayton, J., Chainer: Kerangka Kerja Sumber Terbuka Generasi Berikutnya untuk Pembelajaran Mendalam, Prosiding Lokakarya Sistem Pembelajaran Mesin (LearningSys) di Konferensi Tahunan ke Dua Puluh Sembilan tentang Sistem Pemrosesan Informasi Neural (NIPS) , (2015) URL, BibTex

Akiba, T., Fukuda, K. dan Suzuki, S., ChainerMN: Kerangka Pembelajaran Mendalam Terdistribusi yang Dapat Diskalakan, Prosiding Lokakarya Sistem ML dalam Konferensi Tahunan Ketiga Puluh Satu tentang Sistem Pemrosesan Informasi Neural (NIPS) , (2017) URL, BibTex