Je me demandais s'il existait de bonnes bibliothèques R pour les réseaux de neurones d'apprentissage en profondeur? Je sais qu'il ya la nnet
, neuralnet
et RSNNS
, mais aucun d' entre eux semblent mettre en œuvre des méthodes d'apprentissage en profondeur.
Je suis particulièrement intéressé par les activités non supervisées suivies par un apprentissage supervisé et l' utilisation du décrochage pour éviter la co-adaptation .
/ edit: Après quelques années, j’ai trouvé le paquet h20 deep learning très bien conçu et facile à installer. J'aime aussi le paquetage mxnet , qui est (un peu) plus difficile à installer, mais prend en charge des fonctionnalités telles que les covnets, fonctionne sur des GPU et est très rapide.
Réponses:
OpenSource h2o.deepLearning () est un paquet pour le développement de ressources en R de h2o.ai, voici une description http://www.r-bloggers.com/things-to-try-after-user-part-1-deep-learning- avec-h2o /
Et le code: https://gist.github.com/woobe/3e728e02f6cc03ab86d8#file-link_data-r
la source
Il y a un paquet appelé "darch"
http://cran.um.ac.ir/web/packages/darch/index.html
Citation de CRAN:
la source
Il y a un autre nouveau paquet pour les réseaux profonds dans R: deepnet
Je n'ai pas encore essayé de l'utiliser, mais il a déjà été intégré au paquet caret .
la source
Pour répondre à ma propre question, j'ai écrit un petit paquetage dans R pour RBM: https://github.com/zachmayer/rbm
Ce paquet est encore en plein développement, et je connais très peu de RBM, alors je serais ravi de recevoir vos commentaires (et demandes de pull!). Vous pouvez installer le paquet en utilisant devtools :
Le code est similaire à l'implémentation d'Andrew Landgraf dans R et à l'implémentation d'Edwin Chen en python , mais j'ai écrit que la fonction était similaire à la fonction pca dans la base R et incluait une fonctionnalité d'empilage. Je pense que c'est un peu plus convivial que le paquet darch , que je ne saurais jamais utiliser (même avant sa suppression de CRAN).
Si le paquet gputools est installé, vous pouvez utiliser votre GPU pour les opérations de matrice avec la fonction rbm_gpu. Cela accélère beaucoup les choses! En outre, la majeure partie du travail dans un RBM se fait avec des opérations matricielles. Il ne suffit donc pas d’installer un bon BLAS, tel que openBLAS, pour que les choses s’éclatent .
Voici ce qui se passe lorsque vous exécutez le code sur l'exemple de jeu de données d'Edwin:
la source
propack.svd()
partir dusvd
package.?rbm
. Notez que les RBM ne sont pas supervisés.Vous pouvez essayer le module Deep Learning de H2O, il est distribué et propose de nombreuses techniques avancées telles que la régularisation des abandons et le taux d’apprentissage adaptatif.
Diapositives: http://www.slideshare.net/0xdata/h2o-deeplearning-nextml Vidéo: https://www.youtube.com/watch?v=gAKbAQu900w&feature=youtu.be
Tutoriels: http://learn.h2o.ai Données et scripts: http://data.h2o.ai
Documentation: http://docs.h2o.ai GitBooks: http://gitbook.io/@h2o
la source
Pour ajouter une autre réponse:
mxnet est incroyable, et j'adore ça. Il est un peu difficile à installer, mais il prend en charge les GPU et plusieurs processeurs. Si vous souhaitez approfondir votre connaissance de R (en particulier sur les images), je vous recommande vivement de commencer par mxnet.
la source
Bien que je n'ai pas rencontré de bibliothèque d'apprentissage en profondeur dédiée à R, j'ai eu une discussion similaire sur les r-blogueurs. La discussion est centrée sur l'utilisation de RBM (Restricted Boltzman Machines). Jetez un coup d'œil au lien suivant--
http://www.r-bloggers.com/restricted-boltzmann-machines-in-r/ (republié à partir de 'alandgraf.blogspot.com')
L’auteur encapsule bien un algorithme auto-implémenté dans R. Il faut dire que je n’ai pas encore vérifié la validité du code, mais au moins un éclaircissement en profondeur commence à apparaître dans R.
J'espère que ça aide.
la source
gputools
et envisagez d'utiliser l'astuce de précharge sur Linux pour accélérer GEMM, ici .Vous pouvez maintenant aussi utiliser TensorFlow de R:
https://rstudio.github.io/tensorflow/
la source