Сравнение программ глубинного обучения

Материал из Википедии — свободной энциклопедии
Перейти к навигации Перейти к поиску

Данная таблица проводит сопоставление фреймворков, библиотек программ и отдельных программ для глубокого обучения.

Обзор программ глубинного обучения[править | править код]

Наименование Разработчик Лицензия[a] Открытое Платформа Язык Интерфейс Поддержка OpenMP Поддержка OpenCL Поддержка CUDA Автоматическое дифференцирование Предварительное обучение рекуррентные сети свёрточные сети Машина Больцмана/Глубокая сеть доверия Паралельные вычисления
Apache Singa Apache Incubator Apache 2.0 Да Linux, Mac OS X, Windows C++ Python, C++, Java Нет Да Да Неизвестно Да Да Да Да Да
Caffe Berkeley Vision and Learning Center Лицензия BSD Да Linux, Mac OS X, Windows[1] C++ Python, MATLAB Да В разработке [2] Да Да Да[3] Да Да Нет Неизвестно
Deeplearning4j Группа Skymind, Adam Gibson Apache 2.0 Да Linux, Mac OS X, Windows, Android (Кроссплатформенность) Java Java, Scala, Clojure, Python (Keras) Да В планах[4] Да[5] Вычислительный граф Да[6] Да Да Да Да[7]
Dlib Девис Кинг Лицензия Boost Да Кроссплатформенность C++ C++ Да Нет Да Да Да Нет Да Да Да
Keras Франсуа Шолле Лицензия MIT Да Linux, Mac OS X, Windows Python Python Через Theano В стадии разработки через Theano, планируется через TensorFlow Да Да Да[8] Да Да Да Да[9]
Microsoft Cognitive Toolkit Microsoft Research Лицензия MIT[10] Да Windows, Linux[11] (OSX в планах через Docker) C++ Python, C++, командная строка,[12] BrainScript[13] (.NET в планах[14]) Да[15] Нет Да Да Да[16] Да[17] Да[17] Нет[18] Да[19]
MXNet Distributed (Deep) Machine Learning Community Apache 2.0 Да Linux, Mac OS X, Windows,[20][21] AWS, Android,[22] iOS, JavaScript[23] малая корневая библиотека на C++ C++, Python, Julia, Matlab, JavaScript, Go, R, Scala, Perl Да В планах[24] Да Да[25] Да[26] Да Да Да Да[27]
Neural Designer Artelnics Проприетарное Нет Linux, Mac OS X, Windows C++ Графический интерфейс пользователя Да Нет Нет Неизвестно Неизвестно Нет Нет Нет Неизвестно
OpenNN Artelnics GNU LGPL Да Кроссплатформенность C++ C++ Да Нет Нет Неизвестно Неизвестно Нет Нет Нет Неизвестно
TensorFlow Команда Google Brain Apache 2.0 Да Linux, Mac OS X, Windows[28] C++, Python Python, C/C++, Java, Go Нет В планах[29][30] Да Да[31] Да[32] Да Да Да Да
Theano Монреальский университет Лицензия BSD Да Кроссплатформенность Python Python Да В разработке [33] Да Да[34][35] Через зоопарк моделей Lasagne[36] Да Да Да Да[37]
Torch Ронан Коллобер, Корай Кавукчоглу, Клемент Фарабет Лицензия BSD Да Linux, Mac OS X, Windows,[38] Android,[39] iOS C, Lua Lua, LuaJIT,[40] C, библиотека утилит для C++/OpenCL[41] Да Внешняя реализация [42][43] Да[44][45] Через Autograd Твиттера[46] Да[47] Да Да Да Да[48]
Mathematica Wolfram Research Проприетарное Нет Windows, Mac OS X, Linux, Облачные вычисления C++ командная строка, Java, C++ Нет Да Да Да Да[49] Да Да Да Да
  1. отдельные компонены библиотек могут обладать другими лицензиями

Связанное программное обеспечение[править | править код]

Примечания[править | править код]

  1. Microsoft/caffe. GitHub. (англ.)
  2. OpenCL Caffe. (англ.)
  3. Caffe Model Zoo. (англ.)
  4. Support for Open CL · Issue #27 · deeplearning4j/nd4j. GitHub. (англ.)
  5. N-Dimensional Scientific Computing for Java. (англ.)
  6. Deeplearning4j Models. (англ.)
  7. Deeplearning4j. Deeplearning4j on Spark. Deeplearning4j. (англ.)
  8. Keras Documentatin // Applications (англ.)
  9. Does Keras support using multiple GPUs? · Issue #2436 · fchollet/keras (англ.)
  10. CNTK/LICENSE.md at master · Microsoft/CNTK · GitHub. GitHub. (англ.)
  11. Setup CNTK on your machine. GitHub. (англ.)
  12. CNTK usage overview. GitHub. (англ.)
  13. BrainScript Network Builder. GitHub. (англ.)
  14. .NET Support · Issue #960 · Microsoft/CNTK. GitHub. (англ.)
  15. How to train a model using multiple machines? · Issue #59 · Microsoft/CNTK. GitHub. (англ.)
  16. https://github.com/Microsoft/CNTK/issues/140#issuecomment-186466820 (англ.)
  17. 1 2 CNTK - Computational Network Toolkit. Microsoft Corporation. (англ.)
  18. url=https://github.com/Microsoft/CNTK/issues/534 (англ.)
  19. Multiple GPUs and machines. Microsoft Corporation. (англ.)
  20. Releases · dmlc/mxnet. Github. (англ.)
  21. Installation Guide — mxnet documentation. Readthdocs. (англ.)
  22. MXNet Smart Device. ReadTheDocs. (англ.)
  23. MXNet.js. Github. (англ.)
  24. Support for other Device Types, OpenCL AMD GPU · Issue #621 · dmlc/mxnet. GitHub. (англ.)
  25. http://mxnet.readthedocs.io/ (англ.)
  26. Model Gallery. GitHub. (англ.)
  27. Run MXNet on Multiple CPU/GPUs with Data Parallel. GitHub. (англ.)
  28. TensorFlow 0.12 adds support for Windows (англ.)
  29. tensorflow/roadmap.md at master · tensorflow/tensorflow · GitHub. GitHub. (англ.)
  30. OpenCL support · Issue #22 · tensorflow/tensorflow. GitHub. (англ.)
  31. https://www.tensorflow.org/ (англ.)
  32. https://github.com/tensorflow/models (англ.)
  33. Using the GPU — Theano 0.8.2 documentation. (англ.)
  34. http://deeplearning.net/software/theano/library/gradient.html (англ.)
  35. https://groups.google.com/d/msg/theano-users/mln5g2IuBSU/gespG36Lf_QJ (англ.)
  36. Recipes/modelzoo at master · Lasagne/Recipes · GitHub. GitHub. (англ.)
  37. Using multiple GPUs — Theano 0.8.2 documentation (англ.)
  38. https://github.com/torch/torch7/wiki/Windows (англ.)
  39. GitHub - soumith/torch-android: Torch-7 for Android. GitHub. (англ.)
  40. Torch7: A Matlab-like Environment for Machine Learning. (англ.)
  41. GitHub - jonathantompson/jtorch: An OpenCL Torch Utility Library. GitHub. (англ.)
  42. Cheatsheet. GitHub. (англ.)
  43. cltorch. GitHub. (англ.)
  44. Torch CUDA backend. GitHub. (англ.)
  45. Torch CUDA backend for nn. GitHub. (англ.)
  46. https://github.com/twitter/torch-autograd (англ.)
  47. ModelZoo. GitHub. (англ.)
  48. https://github.com/torch/torch7/wiki/Cheatsheet#distributed-computing--parallel-processing (англ.)
  49. http://blog.stephenwolfram.com/2017/03/the-rd-pipeline-continues-launching-version-11-1/ (англ.)