✖


Jump to content

Сравнение программного обеспечения глубокого обучения

В следующей таблице сравниваются известные программные платформы , библиотеки и компьютерные программы для глубокого обучения .

Программное обеспечение глубокого обучения по названию

[ редактировать ]
Программное обеспечение Создатель Первоначальный выпуск Лицензия на программное обеспечение [а] Открытый исходный код Платформа Написано в Интерфейс OpenMP Поддержка OpenCL Поддержка CUDA Поддержка РОКм Поддержка [1] Автоматическая дифференциация [2] Имеет предварительно обученные модели Рекуррентные сети Сверточные сети УКР / ДБН Параллельное выполнение (многоузловое) Активно развивается
БигДЛ Джейсон Дай (Intel) 2016 Апач 2.0 Да Апач Спарк Скала Скала, Питон Нет Нет Да Да Да
Кафе Центр видения и обучения Беркли 2013 БСД Да Linux , MacOS , Windows [3] С++ Питон , MATLAB , С++ Да В разработке [4] Да Нет Да Да [5] Да Да Нет ? Нет [6]
Цепной Предпочитаемые сети 2015 БСД Да Линукс , МакОС Питон Питон Нет Нет Да Нет Да Да Да Да Нет Да Нет [7]
Глубокое обучение4j команда инженеров Skymind; Сообщество Deeplearning4j; первоначально Адам Гибсон 2014 Апач 2.0 Да Linux , macOS , Windows , Android ( кроссплатформенный ) С++ , Ява Java , Scala , Clojure , Python ( Керас ), Котлин Да Нет [8] Да [9] [10] Нет Вычислительный график Да [11] Да Да Да Да [12] Да
Длиб Дэвис Кинг 2002 Лицензия на программное обеспечение Boost Да Кросс-платформенный С++ С++ , Питон Да Нет Да Нет Да Да Нет Да Да Да
Поток Майк Иннес 2017 МОЯ лицензия Да Linux , MacOS , Windows ( кроссплатформенный ) Юлия Юлия Да Нет Да Да [13] Да Да Нет Да Да
Intel Data Analytics Библиотека ускорения Интел 2015 Лицензия Апач 2.0 Да Linux , macOS , Windows на Intel процессоре [14] С++ , Питон , Ява С++ , Питон , Ява [14] Да Нет Нет Нет Да Нет Да Да
Intel Библиотека математического ядра 2017 [15] и позже Интел 2017 Собственный Нет Linux , macOS , Windows на Intel процессоре [16] С [17] Да [18] Нет Нет Нет Да Нет Да [19] Да [19] Нет
Гугл Джакс Google 2018 Лицензия Апач 2.0 Да Linux , MacOS , Windows Питон Питон Только в Linux Нет Да Нет Да Да
Жесткий Франсуа Шолле 2015 МОЯ лицензия Да Linux , MacOS , Windows Питон Питон , Р Только если использовать Theano в качестве бэкэнда Можно использовать Theano, Tensorflow или PlaidML в качестве бэкендов. Да Нет Да Да [20] Да Да Нет [21] Да [22] Да
MATLAB + Deep Learning Toolbox (формально Neural Network Toolbox) MathWorks 1992 Собственный Нет Linux , MacOS , Windows С , С++ , Java , MATLAB МАТЛАБ Нет Нет Тренируйтесь с помощью Parallel Computing Toolbox и создавайте код CUDA с помощью GPU Coder [23] Нет Да [24] Да [25] [26] Да [25] Да [25] Да С помощью Parallel Computing Toolbox [27] Да
Microsoft Cognitive Toolkit (CNTK) Microsoft Исследования 2016 МОЯ лицензия [28] Да Винда , Линукс [29] ( macOS через Docker в планах) С++ Python ( Keras ), C++ , Командная строка , [30] Брейнскрипт [31] ( .NET в планах [32] ) Да [33] Нет Да Нет Да Да [34] Да [35] Да [35] Нет [36] Да [37] Нет [38]
ML.NET Майкрософт Да Виндовс, Линукс, МакОС С#, Ф# Да
Апач MXNet Фонд программного обеспечения Apache 2015 Апач 2.0 Да Linux , MacOS , Windows , [39] [40] АВС , Андроид , [41] iOS , JavaScript [42] Небольшая C++ базовая библиотека C++ , Python , Julia , Matlab , JavaScript , Go , R , Scala , Perl , Clojure Да Нет Да Нет Да [43] Да [44] Да Да Да Да [45] Нет
Нейронный дизайнер Артелникс 2014 Собственный Нет Linux , MacOS , Windows С++ Графический интерфейс пользователя Да Нет Да Нет Аналитическая дифференциация Нет Нет Нет Нет Да Да
ОпенНН Артелникс 2003 ГНУ ЛГПЛ Да Кросс-платформенный С++ С++ Да Нет Да Нет ? ? Нет Нет Нет ?
ПледМЛ Вертекс.ИИ , Intel 2017 Апач 2.0 Да Linux , MacOS , Windows Питон , С++ , OpenCL Питон , С++ ? Некоторые ICD OpenCL не распознаются Нет Нет Да Да Да Да Да Да
PyTorch Адам Пашке, Сэм Гросс, Сумит Чинтала, Грегори Чанан (Facebook) 2016 БСД Да Linux , MacOS , Windows , Android [46] Питон , С , С++ , CUDA Python , C++ , Джулия , R [47] Да Через отдельно поддерживаемый пакет [48] [49] [50] Да Да Да Да Да Да Да [51] Да Да
Апач ЛЕВ Фонд программного обеспечения Apache 2015 Апач 2.0 Да Linux , MacOS , Windows С++ Питон , С++ , Ява Нет Поддерживается в версии 1.0 Да Нет ? Да Да Да Да Да
Тензорфлоу Google Мозг 2015 Апач 2.0 Да Linux , MacOS , Windows , [52] [53] Андроид С++ , Питон , CUDA Python ( Keras ), C / C++ , Java , Go , JavaScript , R , [54] Джулия , Свифт Нет В дорожной карте [55] но уже с SYCL [56] поддерживать Да Да Да [57] Да [58] Да Да Да Да Да
Теано Университет Монреаля 2007 БСД Да Кросс-платформенный Питон Питон ( сложный ) Да В разработке [59] Да Нет Да [60] [61] Через модельный зоопарк Лазанья [62] Да Да Да Да [63] Нет
Факел Ронан Коллобер, Корай Кавукчуоглу, Клемент Фарабет 2002 БСД Да Linux , MacOS , Windows , [64] Андроид , [65] iOS С , возьми это Луа , ЛуаЖИТ , [66] C , служебная библиотека для C++ / OpenCL [67] Да Сторонние реализации [68] [69] Да [70] [71] Нет Через Твиттере Autograd в [72] Да [73] Да Да Да Да [64] Нет
Вольфрам Математика 10 [74] и позже Вольфрам Исследования 2014 Собственный Нет Windows , macOS , Linux , облачные вычисления C++ , язык Wolfram , CUDA Вольфрам Язык Да Нет Да Нет Да Да [75] Да Да Да Да [76] Да
Программное обеспечение Создатель Первоначальный выпуск Лицензия на программное обеспечение [а] Открытый исходный код Платформа Написано в Интерфейс OpenMP Поддержка OpenCL Поддержка CUDA Поддержка РОКм Поддержка [77] Автоматическая дифференциация [2] Имеет предварительно обученные модели Рекуррентные сети Сверточные сети УКР / ДБН Параллельное выполнение (многоузловое) Активно развивается
  1. ^ Перейти обратно: а б Лицензии здесь представляют собой краткое изложение и не считаются полным описанием лицензий. Некоторые библиотеки могут использовать другие библиотеки внутри страны под разными лицензиями.

Сравнение совместимости моделей машинного обучения

[ редактировать ]

[ нужны дальнейшие объяснения ]

Имя формата Цель дизайна Совместимость с другими форматами Автономная модель DNN Предварительная обработка и постобработка Конфигурация во время выполнения для настройки и калибровки Межсоединение модели DNN Общая платформа
TensorFlow , Керас , Кафе , Факел Обучение алгоритму Нет Нет / Отдельные файлы в большинстве форматов Нет Нет Нет Да
ОННКС Обучение алгоритму Да Нет / Отдельные файлы в большинстве форматов Нет Нет Нет Да

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ «Глубокое обучение — документация ROCm 4.5.0» . Архивировано из оригинала 5 декабря 2022 г. Проверено 27 сентября 2022 г.
  2. ^ Перейти обратно: а б Атилим Гюнеш Байдин; Барак А. Перлмуттер; Алексей Андреевич Радул; Джеффри Марк Сискинд (20 февраля 2015 г.). «Автоматическая дифференциация в машинном обучении: опрос». arXiv : 1502.05767 [ cs.LG ].
  3. ^ «Майкрософт/кафе» . Гитхаб . 30 октября 2021 г.
  4. ^ «Caffe: быстрая открытая среда для глубокого обучения» . 19 июля 2019 г. – через GitHub.
  5. ^ «Кафе | Модельный зоопарк» . caffe.berkeleyvision.org .
  6. ^ GitHub — BVLC/caffe: Caffe: быстрая открытая среда для глубокого обучения. , Центр видения и обучения Беркли, 25 сентября 2019 г. , получено 25 сентября 2019 г.
  7. ^ Preferred Networks переносит свою исследовательскую платформу глубокого обучения на PyTorch , 5 декабря 2019 г. , получено 27 декабря 2019 г.
  8. ^ «Поддержка Open CL · Проблема № 27 · глубокое обучение4j/nd4j» . Гитхаб .
  9. ^ «N-мерные научные вычисления для Java» . Архивировано из оригинала 16 октября 2016 г. Проверено 5 февраля 2016 г.
  10. ^ «Сравнение лучших фреймворков глубокого обучения» . Глубокое обучение4j. Архивировано из оригинала 07.11.2017 . Проверено 31 октября 2017 г.
  11. ^ Крис Николсон; Адам Гибсон. «Модели глубокого обучения 4j» . Архивировано из оригинала 11 февраля 2017 г. Проверено 2 марта 2016 г.
  12. ^ Глубокое обучение4j. «Deeplearning4j на Spark» . Глубокое обучение4j. Архивировано из оригинала 13 июля 2017 г. Проверено 1 сентября 2016 г. {{cite web}}: CS1 maint: числовые имена: список авторов ( ссылка )
  13. ^ «Металлхед» . ФлюксМЛ. 29 октября 2021 г.
  14. ^ Перейти обратно: а б «Библиотека ускорения аналитики данных Intel® (Intel® DAAL)» . программное обеспечение.intel.com . 20 ноября 2018 г.
  15. ^ «Примечания к выпуску и новые функции библиотеки ядра Intel® Math» . Интел .
  16. ^ «Библиотека ядра Intel® Math (Intel® MKL)» . программное обеспечение.intel.com . 11 сентября 2018 г.
  17. ^ «Функции глубокой нейронной сети» . программное обеспечение.intel.com . 24 мая 2019 г.
  18. ^ «Использование Intel® MKL с многопоточными приложениями» . программное обеспечение.intel.com . 1 июня 2017 г.
  19. ^ Перейти обратно: а б «Intel® Xeon Phi™ обеспечивает конкурентоспособную производительность для глубокого обучения и быстрое улучшение показателей» . программное обеспечение.intel.com . 21 марта 2019 г.
  20. ^ «Приложения — Документация Keras» . keras.io .
  21. ^ «Есть ли RBM в Керасе? · Проблема № 461 · keras-team/keras» . Гитхаб .
  22. ^ «Поддерживает ли Keras использование нескольких графических процессоров? · Проблема № 2436 · keras-team/keras» . Гитхаб .
  23. ^ «Кодер графического процессора — MATLAB и Simulink» . Матворкс . Проверено 13 ноября 2017 г.
  24. ^ «Предпосылки автоматического дифференцирования — MATLAB и Simulink» . Матворкс . 3 сентября 2019 г. . Проверено 19 ноября 2019 г.
  25. ^ Перейти обратно: а б с «Панель инструментов нейронной сети — MATLAB» . Матворкс . Проверено 13 ноября 2017 г.
  26. ^ «Модели глубокого обучения — MATLAB и Simulink» . Матворкс . Проверено 13 ноября 2017 г.
  27. ^ «Пакет инструментов параллельных вычислений — MATLAB» . Матворкс . Проверено 13 ноября 2017 г.
  28. ^ «CNTK/LICENSE.md в мастере · Microsoft/CNTK · GitHub» . Гитхаб .
  29. ^ «Настройте CNTK на вашем компьютере» . Гитхаб .
  30. ^ «Обзор использования CNTK» . Гитхаб .
  31. ^ «Строитель сетей BrainScript» . Гитхаб .
  32. ^ «Поддержка .NET · Проблема № 960 · Microsoft/CNTK» . Гитхаб .
  33. ^ «Как обучить модель на нескольких машинах? · Проблема № 59 · Microsoft/CNTK» . Гитхаб .
  34. ^ «Предварительно построенные модели для классификации изображений · Выпуск № 140 · microsoft/CNTK» . Гитхаб .
  35. ^ Перейти обратно: а б «CNTK — Набор инструментов вычислительной сети» . Корпорация Майкрософт.
  36. ^ «Ограниченная машина Больцмана с ЦНТК № 534» . GitHub, Inc., 27 мая 2016 г. Проверено 30 октября 2023 г.
  37. ^ «Несколько графических процессоров и машин» . Корпорация Майкрософт.
  38. ^ «Отказ от ответственности» . КОМАНДА ЦНТК. 6 ноября 2021 г.
  39. ^ «Релизы · dmlc/mxnet» . Гитхаб .
  40. ^ «Руководство по установке — документация mxnet» . Прочтите документацию .
  41. ^ «Умное устройство MXNet» . Прочтите Документы . Архивировано из оригинала 21 сентября 2016 г. Проверено 19 мая 2016 г.
  42. ^ "MXNet.js" . Гитхаб . 28 октября 2021 г.
  43. ^ "— Перенаправление на mxnet.io" . mxnet.readthedocs.io .
  44. ^ «Галерея моделей» . Гитхаб . 29 октября 2022 г.
  45. ^ «Запуск MXNet на нескольких процессорах/графических процессорах с параллельным обменом данными» . Гитхаб .
  46. ^ «ПиТорч» . 17 декабря 2021 г.
  47. ^ «Фалбель Д., Лураски Дж. (2023). Факел: Тензоры и нейронные сети с ускорением на графическом процессоре» . torch.mlverse.org . Проверено 28 ноября 2023 г.
  48. ^ «Сборка pytorch для OpenCL: (в процессе, не пригодна для использования) —hughperkins/pytorch-coriander» . 14 июля 2019 г. – через GitHub.
  49. ^ «DLPrimitives/OpenCL вне дерева для pytorch — artyom-beilis/pytorch_dlprim» . 21 января 2022 г. — через GitHub.
  50. ^ «Поддержка OpenCL · Проблема № 488 · pytorch/pytorch» . Гитхаб .
  51. ^ «Ограниченные машины Больцмана (RBM) в PyTorch» . Гитхаб . 14 ноября 2022 г.
  52. ^ «Установите TensorFlow с помощью pip» .
  53. ^ «В TensorFlow 0.12 добавлена ​​поддержка Windows» .
  54. ^ Аллер, Джей-Джей; Калиновский, Т.; Фальбель, Д.; Эддельбюттель, Д.; Юань, Т.; Голдинг, Н. (28 сентября 2023 г.). «tensorflow: R Интерфейс для TensorFlow » . Комплексная сеть архивов R. Проверено 30 октября 2023 г.
  55. ^ «tensorflow/roadmap.md в мастере · tensorflow/tensorflow · GitHub» . Гитхаб . 23 января 2017 года . Проверено 21 мая 2017 г.
  56. ^ «Поддержка OpenCL · Проблема № 22 · tensorflow/tensorflow» . Гитхаб .
  57. ^ «ТензорФлоу» . ТензорФлоу .
  58. ^ «Модели и примеры, созданные с помощью TensorFlow» . 19 июля 2019 г. – через GitHub.
  59. ^ «Использование графического процессора — документация Theano 0.8.2» . Архивировано из оригинала 01 апреля 2017 г. Проверено 21 января 2016 г.
  60. ^ «градиент — символическое дифференцирование — документация Theano 1.0.0» . deeplearning.net .
  61. ^ «Автоматическая и символическая дифференциация» .
  62. ^ «Рецепты/модельный зоопарк мастера · Лазанья/Рецепты · GitHub» . Гитхаб .
  63. ^ «Использование нескольких графических процессоров — документация Theano 1.0.0» . deeplearning.net .
  64. ^ Перейти обратно: а б "факел/факел7" . 18 июля 2019 г. – через GitHub.
  65. ^ «GitHub — soumith/torch-android: Torch-7 для Android» . Гитхаб . 13 октября 2021 г.
  66. ^ «Torch7: среда для машинного обучения, подобная Matlab» (PDF) .
  67. ^ «GitHub — jonathantompson/jtorch: библиотека утилит OpenCL Torch» . Гитхаб . 18 ноября 2020 г.
  68. ^ «Шпаргалка» . Гитхаб .
  69. ^ "клторч" . Гитхаб .
  70. ^ «Бэкэнд Torch CUDA» . Гитхаб .
  71. ^ «Бэкэнд Torch CUDA для nn» . Гитхаб .
  72. ^ «Autograd автоматически различает собственный код Torch: twitter/torch-autograd» . 9 июля 2019 г. — через GitHub.
  73. ^ «МодельЗоопарк» . Гитхаб .
  74. ^ «Запуск Mathematica 10» . Вольфрам .
  75. ^ «Репозиторий моделей нейронных сетей Wolfram Neural Net» . resources.wolframcloud.com .
  76. ^ «Параллельные вычисления — документация на языке Wolfram» . ссылка.wolfram.com .
  77. ^ «Глубокое обучение — документация ROCm 4.5.0» . Архивировано из оригинала 5 декабря 2022 г. Проверено 27 сентября 2022 г.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Comparison_of_deep_learning_software&oldid=1228000071"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 01a4c73c476c0291f5e22442fa62f07e__1717877400
URL1:https://arc.ask3.ru/arc/aa/01/7e/01a4c73c476c0291f5e22442fa62f07e.html
Заголовок, (Title) документа по адресу, URL1:
Comparison of deep learning software - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)