ดาวน์โหลด SiaNet - ดาวน์โหลดซอร์สโค้ด SiaNet

SiaNet

โค้ดแหล่งที่มา AI

1.0.0

ดาวน์โหลด

Trello ใช้เพื่อติดตามกิจกรรมการพัฒนา SiaNet คุณสามารถดูงานและติดตามความคืบหน้าได้ ข้อเสนอแนะจะถูกใส่ไว้ในสิ่งที่อยากได้ จากนั้นจะมีการวางแผนเพื่อการพัฒนา

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

AC# ห้องสมุดการเรียนรู้เชิงลึก

การพัฒนา C# Wrapper เพื่อช่วยให้นักพัฒนาสร้างและฝึกโมเดลโครงข่ายประสาทเทียมระดับลึกได้อย่างง่ายดาย

ห้องสมุดใช้งานง่ายเพียงเน้นการวิจัย
แบ็กเอนด์หลายตัว - CNTK, TensorFlow, MxNet, PyTorch, ArrayFire
รองรับ CUDA/ OpenCL สำหรับแบ็กเอนด์บางส่วน
ไลบรารีน้ำหนักเบา สร้างด้วย .NET มาตรฐาน 2.0
โค้ดมีโครงสร้างที่ดีและขยายได้ง่าย หากคุณต้องการขยายด้วยเลเยอร์ใหม่ การสูญเสีย ตัวชี้วัด เครื่องมือเพิ่มประสิทธิภาพ ข้อจำกัด ตัวทำให้สม่ำเสมอ

ตัวอย่างพื้นฐาน

ด้านล่างนี้เป็นตัวอย่างการจำแนกประเภทด้วยชุดข้อมูลไททานิค สามารถเข้าถึงความแม่นยำ 75% ภายใน 10 ยุค

 //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 ( ) ;