转载

轻量级Matlab深度学习框架LightNet的实现

项目说明及论文摘要:LightNet 是一个轻量级的、多功能的、纯粹的基于 Matlab 的深度学习框架。其设计的目的是为深度学习研究提供一个易于理解、易于使用和高效的计算平台。LightNet 实现的框架支持主要的深度学习架构,例如多层感知网络(MLP)、卷积神经网络(CNN)和循环神经网络(RNN)。LightNet 支持 CPU 和 GPU 进行计算,而且它们之间的切换也非常容易。计算机视觉、自然语言处理和机器人技术中的不同应用作为实验来演示 LightNet。

项目地址:https://github.com/yechengxi/LightNet

如何使用 LightNet

在具有 Nvidia GPU(至少 3GB GPU 内存)的计算机上安装最新的 Matlab,并运行 RunAll.m Matlab 脚本。

在这里阅读最新论文:http://arxiv.org/abs/1605.02766(LightNet: A Versatile, Standalone Matlab-based Environment for Deep Learning)

近期更新

RNN(带有 skip links)和 GRU 被添加到 RNN 目录。

LightNet 现在支持使用预训练的 ImageNet 网络模型。

轻量级Matlab深度学习框架LightNet的实现

查看 CNN/Main_CNN_ImageNet_Minimal()

使用 imagenet-vgg-f 预训练网络的识别示例:

轻量级Matlab深度学习框架LightNet的实现

因为 MatConvNet 团队的不懈努力,可以使用 CUDNN 加速卷积运算。

LightNet 中主要函数

adagrad:Adagrad 算法的实现

adam:Adam 算法的实现

bnorm:批量规范化层的实现

dropout:dropout 层的实现

fast_conv_layer:卷积层的实现

fast_mlp_layer:线性感知层的实现

generate_output_filename:根据当前参数设置生成输出文件名

im2col_ln:在池化(pooling)层中使用的定制 im2col 函数

Main_Template:用于训练 CNN 和 MLP 网络的模板脚本

lrn:本地响应规范化层的实现

maxpool:最大池化(max-pooling)层的实现

net_bp:在 CNN 和 MLP 网络中使用的反向传播过程的实现

net_ff:在 CNN 和 MLP 网络中使用的前馈过程的实现

pad_data:在 CNN 中使用的填充层

relu:线性修正单元函数的实现

rmsprop:RMSProp 算法的实现

select_learning_rate:Selective-SGD 算法的实现,其在训练的开始或中间自动选择最佳学习速率

sgd:具有动量的随机梯度下降算法的实现

sigmoid_ln:Sigmoid 层的实现

softmax:softmax 层的实现

softmaxlogloss:softmax log loss 层的实现

SwitchProcessor:CPU 和 GPU 之间切换

tanh_ln:tanh 层的实现。

test_net:在测试模式下运行网络以评估当前参数

train_net:在训练模式下运行网络以评估和计算损耗和梯度

TrainingScript:用于 CNN 和 MLP 网络的训练模板

如何加速 LightNet

CUDNN 可用于计算卷积。你将需要编译由 MatConvNet 团队提供的 vl_nnconv 函数。

1. 请访问  http://www.vlfeat.org/matconvnet/install/ 下载。

2. 将文件夹 MatConvNet_Dir / matlab 复制到 LightNet_Dir / CoreModules / matlab 中。

3. 尝试在 LightNet 目录中编译 MatConvNet(尽管我们只使用一个卷积函数)。

4. 在主要测试脚本中设置 opts.use_cudnn = 1。

原文  http://www.jiqizhixin.com/article/2165
正文到此结束
Loading...