Скачать Lasagne - Скачать исходный код Lasagne

Lasagne

Питон

1.0.0

Скачать

лазанья

Lasagne — это легкая библиотека для создания и обучения нейронных сетей в Theano. Его основные особенности:

Поддерживает сети с прямой связью, такие как сверточные нейронные сети (CNN), рекуррентные сети, включая длинную краткосрочную память (LSTM), и любую их комбинацию.
Позволяет создавать архитектуры с несколькими входами и несколькими выходами, включая вспомогательные классификаторы.
Множество методов оптимизации, включая импульс Нестерова, RMSprop и ADAM.
Свободно определяемая функция стоимости и отсутствие необходимости выводить градиенты благодаря символическому дифференцированию Теано.
Прозрачная поддержка процессоров и графических процессоров благодаря компилятору выражений Theano.

Его конструкция регулируется шестью принципами:

Простота: быть простым в использовании, понятным и легко расширяемым, чтобы облегчить использование в исследованиях.
Прозрачность: не прячьте Theano за абстракциями, напрямую обрабатывайте и возвращайте выражения Theano или типы данных Python/numpy.
Модульность: позволяет использовать все части (слои, регуляризаторы, оптимизаторы...) независимо от лазаньи.
Прагматизм: делайте распространенные варианты использования простыми, не переоценивайте необычные случаи.
Сдержанность: не мешайте пользователям использовать функции, которые они решили не использовать.
Фокус: «Делайте что-то одно и делайте это хорошо».

Установка

Короче говоря, вы можете установить известную совместимую версию Theano и последнюю версию разработки Lasagne через:

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

Более подробную информацию и альтернативы можно найти в инструкции по установке.

Документация

Документация доступна в Интернете: http://lasagne.readthedocs.org/.

Для получения поддержки обратитесь к списку рассылки пользователей лазаньи.

Пример

 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 ]))

Полнофункциональный пример см. в файле example/mnist.py и ознакомьтесь с учебным пособием для его подробных объяснений. Дополнительные примеры, фрагменты кода и репродукции последних исследовательских работ хранятся в отдельном репозитории Lasagne Recipes.

Цитирование

Если вы считаете, что лазанья полезна для вашей научной работы, пожалуйста, рассмотрите возможность цитирования ее в соответствующих публикациях. Мы предоставляем готовую к использованию запись BibTeX для цитирования лазаньи.