Porovnání softwaru pro hluboké učení - Comparison of deep-learning software

Následující tabulka porovnává pozoruhodné softwarové rámce, knihovny a počítačové programy pro hluboké učení.

Software pro hluboké učení podle názvu

SoftwareTvůrcePrvní vydáníSoftwarová licence[A]Otevřený zdrojPlošinaNapsánoRozhraníOpenMP Podpěra, podporaOpenCL Podpěra, podporaCUDA Podpěra, podporaAutomatická diferenciace[1]Má předcvičené modelyOpakující se sítěKonvoluční sítěRBM /DBNParalelní provedení (více uzlů)Aktivně vyvinut
BigDLJason Dai (Intel)2016Apache 2.0AnoApache SparkScalaScala, PythonNeAnoAnoAno
CaffeBerkeley Vision and Learning Center2013BSDAnoLinux, Operační Systém Mac, Okna[2]C ++Krajta, MATLAB, C ++AnoVe vývoji[3]AnoAnoAno[4]AnoAnoNe?Ne[5]
ChainerPreferované sítě2015BSDAnoLinux, Operační Systém MacKrajtaKrajtaNeNeAnoAnoAnoAnoAnoNeAnoNe[6]
Deeplearning4jTým inženýrů Skymind; Komunita Deeplearning4j; původně Adam Gibson2014Apache 2.0AnoLinux, Operační Systém Mac, Okna, Android (Cross-platform )C ++, JávaJáva, Scala, Clojure, Krajta (Keras ), KotlinAnoNe[7]Ano[8][9]Výpočetní grafAno[10]AnoAnoAnoAno[11]
DlibDavis King2002Zvyšte licenci softwaruAnoCross-platformC ++C ++, KrajtaAnoNeAnoAnoAnoNeAnoAnoAno
FluxMike Innes2017Licence MITAnoLinux, Operační Systém Mac, Okna (Cross-platform )JulieJulieAnoAnoAno[12]AnoAnoNeAnoAno
Intel Knihovna zrychlení analýzy datIntel2015Licence Apache 2.0AnoLinux, Operační Systém Mac, Okna na Intel procesor[13]C ++, Krajta, JávaC ++, Krajta, Jáva[13]AnoNeNeAnoNeAnoAno
Intel Knihovna matematických jaderIntelProprietárníNeLinux, Operační Systém Mac, Okna na Intel procesor[14]C[15]Ano[16]NeNeAnoNeAno[17]Ano[17]Ne
KerasFrançois Chollet2015Licence MITAnoLinux, Operační Systém Mac, OknaKrajtaKrajta, RPouze pokud používáte Theano jako backendJako backend lze použít Theano, Tensorflow nebo PlaidMLAnoAnoAno[18]AnoAnoNe[19]Ano[20]Ano
MATLAB + Sada nástrojů pro hluboké učeníMathWorksProprietárníNeLinux, Operační Systém Mac, OknaC, C ++, Jáva, MATLABMATLABNeNeTrénujte s Parallel Computing Toolbox a generujte kód CUDA pomocí GPU Coder[21]Ano[22]Ano[23][24]Ano[23]Ano[23]AnoS paralelním výpočtem[25]Ano
Microsoft Cognitive Toolkit (CNTK)Microsoft Research2016Licence MIT[26]AnoOkna, Linux[27] (Operační Systém Mac přes Docker na cestovní mapě)C ++Krajta (Keras ), C ++, Příkazový řádek,[28] BrainScript[29] (.SÍŤ na cestovní mapě[30])Ano[31]NeAnoAnoAno[32]Ano[33]Ano[33]Ne[34]Ano[35]Ne[36]
Apache MXNetSoftwarová nadace Apache2015Apache 2.0AnoLinux, Operační Systém Mac, Okna,[37][38] AWS, Android,[39] iOS, JavaScript[40]Malý C ++ základní knihovnaC ++, Krajta, Julie, Matlab, JavaScript, Jít, R, Scala, Perl, ClojureAnoNa plánu[41]AnoAno[42]Ano[43]AnoAnoAnoAno[44]Ano
Neural DesignerArtelnicsProprietárníNeLinux, Operační Systém Mac, OknaC ++Grafické uživatelské prostředíAnoNeNe??NeNeNe?
OpenNNArtelnics2003GNU LGPLAnoCross-platformC ++C ++AnoNeAno??NeNeNe?
PlaidMLVertex.AI, Intel2017Apache 2.0AnoLinux, Operační Systém Mac, OknaKrajta, C ++, OpenCLKrajta, C ++?Některé ICD OpenCL nejsou rozpoznányNeAnoAnoAnoAnoAnoAno
PyTorchAdam Paszke, Sam Gross, Soumith Chintala, Gregory Chanan (Facebook)2016BSDAnoLinux, Operační Systém Mac, OknaKrajta, C, C ++, CUDAKrajta, C ++, JulieAnoProstřednictvím samostatně udržovaného balíčku[45][46]AnoAnoAnoAnoAnoAnoAno
Apache SINGASoftwarová nadace Apache2015Apache 2.0AnoLinux, Operační Systém Mac, OknaC ++Krajta, C ++, JávaNePodporováno ve verzi 1.0Ano?AnoAnoAnoAnoAno
TensorFlowGoogle Brain2015Apache 2.0AnoLinux, Operační Systém Mac, Okna,[47] AndroidC ++, Krajta, CUDAKrajta (Keras ), C /C ++, Jáva, Jít, JavaScript, R,[48] Julie, RychlýNeNa plánu[49] ale už s SYCL[50] Podpěra, podporaAnoAno[51]Ano[52]AnoAnoAnoAnoAno
TheanoUniversité de Montréal2007BSDAnoCross-platformKrajtaKrajta (Keras )AnoVe vývoji[53]AnoAno[54][55]Prostřednictvím modelové zoo Lasagne[56]AnoAnoAnoAno[57]Ne
PochodeňRonan Collobert, Koray Kavukcuoglu, Clement Farabet2002BSDAnoLinux, Operační Systém Mac, Okna,[58] Android,[59] iOSC, LuaLua, LuaJIT,[60] C, knihovna nástrojů pro C ++ /OpenCL[61]AnoImplementace třetích stran[62][63]Ano[64][65]Přes Cvrlikání Autograd[66]Ano[67]AnoAnoAnoAno[58]Ne
Wolfram MathematicaWolfram Research1988ProprietárníNeOkna, Operační Systém Mac, Linux, Cloudové výpočtyC ++, Wolfram jazyk, CUDAWolfram jazykAnoNeAnoAnoAno[68]AnoAnoAnoAno[69]Ano
SoftwareTvůrcePrvní vydáníSoftwarová licence[A]Otevřený zdrojPlošinaNapsánoRozhraníOpenMP Podpěra, podporaOpenCL Podpěra, podporaCUDA Podpěra, podporaAutomatická diferenciace[70]Má předcvičené modelyOpakující se sítěKonvoluční sítěRBM /DBNParalelní provedení (více uzlů)Aktivně vyvinut
  1. ^ A b Licence zde představují souhrn a nepovažují se za úplná prohlášení o licencích. Některé knihovny mohou interně používat jiné knihovny pod různými licencemi

Porovnání kompatibility modelů strojového učení

Název formátuCíl návrhuKompatibilní s jinými formátySamostatný model DNNPředběžné zpracování a následné zpracováníKonfigurace běhu pro ladění a kalibraciDNN Model InterconnectSpolečná platforma
TensorFlow, Keras, Caffe, Pochodeň, ONNX,Algoritmický tréninkNeŽádné / oddělené soubory ve většině formátůNeNeNeAno
ONNXAlgoritmický tréninkAnoŽádné / oddělené soubory ve většině formátůNeNeNeAno

Viz také

Reference

  1. ^ Atilim Gunes Baydin; Barak A. Pearlmutter; Alexey Andrejevič Radul; Jeffrey Mark Siskind (20. února 2015). Msgstr "Automatická diferenciace ve strojovém učení: průzkum". arXiv:1502.05767 [cs.LG ].
  2. ^ „Microsoft / caffe“. GitHub.
  3. ^ „Caffe: rychlý otevřený rámec pro hluboké učení“. 19. července 2019 - přes GitHub.
  4. ^ "Caffe | Model Zoo". caffe.berkeleyvision.org.
  5. ^ GitHub - BVLC / caffe: Caffe: rychlý otevřený rámec pro hluboké učení., Berkeley Vision and Learning Center, 2019-09-25, vyvoláno 2019-09-25
  6. ^ Preferred Networks migruje svoji Deep Learning Research Platform na PyTorch, 2019-12-05, vyvoláno 2019-12-27
  7. ^ „Podpora Open CL · Vydání č. 27 · deeplearning4j / nd4j“. GitHub.
  8. ^ „N-Dimensional Scientific Computing for Java“.
  9. ^ „Porovnání nejlepších rámců hlubokého učení“. Deeplearning4j. Archivovány od originál dne 2017-11-07. Citováno 2017-10-31.
  10. ^ Chris Nicholson; Adam Gibson. „Modely Deeplearning4j“. Archivovány od originál dne 11.02.2017. Citováno 2016-03-02.
  11. ^ Deeplearning4j. „Deeplearning4j on Spark“. Deeplearning4j. Archivovány od originál dne 2017-07-13. Citováno 2016-09-01.
  12. ^ "Metalhead". FluxML.
  13. ^ A b „Knihovna akcelerace Intel® Data Analytics (Intel® DAAL)“. software.intel.com. 20. listopadu 2018.
  14. ^ „Intel® Math Kernel Library (Intel® MKL)“. software.intel.com. 11. září 2018.
  15. ^ „Funkce hlubokých neuronových sítí“. software.intel.com. 24. května 2019.
  16. ^ „Používání Intel® MKL se závitovými aplikacemi“. software.intel.com. 1. června 2017.
  17. ^ A b „Intel® Xeon Phi ™ přináší konkurenceschopný výkon pro hluboké učení - a rychle se zlepšovat“. software.intel.com. 21. března 2019.
  18. ^ "Aplikace - dokumentace Keras". keras.io.
  19. ^ "Existuje RBM v Kerasu? · Číslo 461 · keras-team / keras". GitHub.
  20. ^ „Podporuje Keras použití více GPU? · Číslo 2436 · keras-team / keras“. GitHub.
  21. ^ „GPU Coder - MATLAB & Simulink“. MathWorks. Citováno 13. listopadu 2017.
  22. ^ „Pozadí automatické diferenciace - MATLAB a Simulink“. MathWorks. 3. září 2019. Citováno 19. listopadu 2019.
  23. ^ A b C „Neural Network Toolbox - MATLAB“. MathWorks. Citováno 13. listopadu 2017.
  24. ^ „Modely hlubokého učení - MATLAB a Simulink“. MathWorks. Citováno 13. listopadu 2017.
  25. ^ „Sada nástrojů pro paralelní výpočty - MATLAB“. MathWorks. Citováno 13. listopadu 2017.
  26. ^ „CNTK / LICENSE.md ve společnosti master · Microsoft / CNTK · GitHub“. GitHub.
  27. ^ "Nastavení CNTK na vašem počítači". GitHub.
  28. ^ „Přehled využití CNTK“. GitHub.
  29. ^ „BrainScript Network Builder“. GitHub.
  30. ^ „Podpora .NET · Vydání # 960 · Microsoft / CNTK“. GitHub.
  31. ^ „Jak trénovat model pomocí více strojů? · Číslo 59 · Microsoft / CNTK“. GitHub.
  32. ^ „Prebuilt models for image classification · Vydání # 140 · Microsoft / CNTK“. GitHub.
  33. ^ A b „CNTK - Computational Network Toolkit“. Společnost Microsoft.
  34. ^ url =https://github.com/Microsoft/CNTK/issues/534
  35. ^ „Více GPU a strojů“. Společnost Microsoft.
  36. ^ „Zřeknutí se odpovědnosti“. CNTK TEAM.
  37. ^ "Vydání · dmlc / mxnet". Github.
  38. ^ „Instalační příručka - dokumentace mxnet“. Readthdocs.
  39. ^ „MXNet Smart Device“. ReadTheDocs. Archivovány od originál dne 2016-09-21. Citováno 2016-05-19.
  40. ^ „MXNet.js“. Github.
  41. ^ „Podpora pro jiné typy zařízení, OpenCL AMD GPU · Vydání # 621 · dmlc / mxnet“. GitHub.
  42. ^ „- Přesměrování na mxnet.io“. mxnet.readthedocs.io.
  43. ^ „Galerie modelů“. GitHub.
  44. ^ "Spustit MXNet na více CPU / GPU s datovým paralelem". GitHub.
  45. ^ "OpenCL build pytorch: (probíhá, není použitelný) - hughperkins / pytorch-coriander". 14. července 2019 - prostřednictvím GitHub.
  46. ^ "Podpora OpenCL · Číslo 488 · pytorch / pytorch". GitHub.
  47. ^ „TensorFlow 0.12 přidává podporu pro Windows“.
  48. ^ interface), JJ Allaire (R; RStudio; Eddelbuettel, Dirk; Golding, Nick; Tang, Yuan; Cvičení), Google Inc (Příklady a (2017-05-26), tensorflow: R Rozhraní k TensorFlow, vyvoláno 2017-06-14
  49. ^ "tensorflow / roadmap.md ve společnosti master · tensorflow / tensorflow · GitHub". GitHub. 23. ledna 2017. Citováno 21. května 2017.
  50. ^ „Podpora OpenCL · Vydání č. 22 · tensorflow / tensorflow“. GitHub.
  51. ^ „TensorFlow“. TensorFlow.
  52. ^ „Modely a příklady vytvořené pomocí TensorFlow“. 19. července 2019 - přes GitHub.
  53. ^ „Používání GPU - dokumentace Theano 0.8.2“.
  54. ^ "přechod - Symbolická diferenciace - dokumentace Theano 1.0.0". deeplearning.net.
  55. ^ https://groups.google.com/d/msg/theano-users/mln5g2IuBSU/gespG36Lf_QJ
  56. ^ „Recipes / modelzoo at master · Lasagne / Recipes · GitHub“. GitHub.
  57. ^ „Používání více GPU - dokumentace Theano 1.0.0“. deeplearning.net.
  58. ^ A b „pochodeň / pochodeň7“. 18. července 2019 - přes GitHub.
  59. ^ „GitHub - soumith / torch-android: Torch-7 pro Android“. GitHub.
  60. ^ „Torch7: prostředí podobné Matlabu pro strojové učení“ (PDF).
  61. ^ "GitHub - jonathantompson / jtorch: OpenCL Torch Utility Library". GitHub.
  62. ^ "Tahák". GitHub.
  63. ^ "cltorch". GitHub.
  64. ^ „Backend CUDA backend“. GitHub.
  65. ^ "Pochodeň CUDA backend pro nn". GitHub.
  66. ^ „Autograd automaticky rozlišuje nativní kód pochodně: twitter / pochodeň-autograd“. 9. července 2019 - přes GitHub.
  67. ^ „ModelZoo“. GitHub.
  68. ^ „Repozitář neuronových sítí Wolfram modelů neuronových sítí“. resources.wolframcloud.com.
  69. ^ „Parallel Computing — Wolfram Language Documentation“. reference.wolfram.com.
  70. ^ Atilim Gunes Baydin; Barak A. Pearlmutter; Alexey Andrejevič Radul; Jeffrey Mark Siskind (20. února 2015). Msgstr "Automatická diferenciace ve strojovém učení: průzkum". arXiv:1502.05767 [cs.LG ].