Lasagne 다운로드 - Lasagne 소스 코드 다운로드

Lasagne

파이썬

1.0.0

다운로드

라자냐

Lasagne는 Theano에서 신경망을 구축하고 훈련하기 위한 경량 라이브러리입니다. 주요 기능은 다음과 같습니다.

CNN(Convolutional Neural Networks)과 같은 피드포워드 네트워크, LSTM(Long Short-Term Memory)을 포함한 순환 네트워크 및 이들의 조합을 지원합니다.
보조 분류자를 포함한 다중 입력 및 다중 출력 아키텍처를 허용합니다.
Nesterov 모멘텀, RMSprop 및 ADAM을 포함한 다양한 최적화 방법
비용 함수를 자유롭게 정의할 수 있으며 Theano의 상징적 차별화로 인해 기울기를 도출할 필요가 없습니다.
Theano의 표현식 컴파일러로 인한 CPU 및 GPU의 투명한 지원

디자인은 다음과 같은 6가지 원칙에 따라 결정됩니다.

단순성: 연구에 쉽게 사용할 수 있도록 사용하기 쉽고, 이해하기 쉽고, 확장하기 쉽습니다.
투명성: 추상화 뒤에 Theano를 숨기지 말고 Theano 표현식 또는 Python/numpy 데이터 유형을 직접 처리하고 반환합니다.
모듈성: 모든 부분(레이어, 정규화 도구, 최적화 도구 등)을 라자냐와 독립적으로 사용할 수 있습니다.
실용주의: 일반적인 사용 사례를 쉽게 만들고, 드문 사례를 과대평가하지 마세요.
제한: 사용자가 사용하지 않기로 결정한 기능으로 사용자를 방해하지 마십시오.
초점: "한 가지 일을 하고 그것을 잘하라"

설치

즉, 다음을 통해 알려진 호환 가능한 Theano 버전과 최신 Lasagne 개발 버전을 설치할 수 있습니다.

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

자세한 내용과 대안을 보려면 설치 지침을 참조하세요.

선적 서류 비치

문서는 온라인에서 볼 수 있습니다: http://lasagne.readthedocs.org/

지원을 받으려면 lasagne-users 메일링 리스트를 참조하세요.

예

 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 ]))