Lasagne下载 - Lasagne源代码下载

Lasagne

Python

1.0.0

下载

千层面

Lasagne 是一个轻量级库，用于在 Theano 中构建和训练神经网络。其主要特点是：

支持前馈网络，例如卷积神经网络 (CNN)、循环网络（包括长短期记忆 (LSTM)）及其任意组合
允许多个输入和多个输出的架构，包括辅助分类器
许多优化方法，包括 Nesterov Momentum、RMSprop 和 ADAM
可自由定义的成本函数，并且由于 Theano 的符号微分而无需导出梯度
Theano 表达式编译器对 CPU 和 GPU 的透明支持

其设计遵循六个原则：

简单性：易于使用、易于理解、易于扩展，方便研究中使用
透明性：不将 Theano 隐藏在抽象后面，直接处理并返回 Theano 表达式或 Python / numpy 数据类型
模块化：允许所有部分（层、正则器、优化器……）独立于烤宽面条使用
实用主义：使常见用例变得简单，不要高估不常见的用例
限制：不要用用户决定不使用的功能来阻碍他们
专注：“做一件事，并把它做好”

安装

简而言之，您可以通过以下方式安装已知兼容的 Theano 版本和最新的 Lasagne 开发版本：

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

有关更多详细信息和替代方案，请参阅安装说明。

文档

文档可在线获取：http://lasagne.readthedocs.org/

如需支持，请参阅烤宽面条用户邮件列表。

例子

 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 ]))