Vous êtes à la recherche d’un projet de réseau de neurones open source ? Dans cet article, vous trouverez ces projets et les liens pour accéder au code dans GitHub. Faisons un tour d’horizon des 20 meilleurs projets de réseaux de neurones open source.

TensorFlow

TensorFlow est un projet open source utilisé dans l’apprentissage automatique. Il contient un environnement complet et ajustable de bibliothèques, d’outils et de ressources communautaires qui permettent aux analyseurs de pousser le ML ultra-moderne, et il devient facile pour les constructeurs de bâtir et d’installer des applications axées sur le ML. Il fournit des API C++ et Python stables et également des API non collatéralisées et adaptées à d’autres langages.

PyTorch

PyTorch est une collection python qui donne 2 caractéristiques de haut niveau
Le calcul tensoriel qui a une accélération rigide du GPU.
Réseaux neuronaux enracinés construits sur un schéma autograd basé sur des bandes.

Vous pouvez utiliser vos paquets Python préférés comme SciPy, Cython et NumPy pour étendre PyTorch si nécessaire.

Accord.NET

Le projet Accord.NET intègre des techniques d’apprentissage automatique, d’intelligence artificielle, de traitement d’images, de statistiques et de vision par ordinateur à .NET. Vous pouvez l’utiliser sur Microsoft Windows, Unity3D, Xamarin, les applications mobiles ou Windows store.

Accord.NET prend en charge la régression logistique, les machines vectorielles, les réseaux neuronaux, les arbres de décision et l’apprentissage profond. Après avoir été fusionné avec le projet AForge.NET, il fournit maintenant une API unifiée utilisée dans le cadre de l’apprentissage automatique extensible et facile à utiliser.

PyCNN

Les réseaux neuronaux cellulaires sont un paradigme informatique analogue ; ils sont identiques aux réseaux neuronaux à une seule différence près : l’échange d’informations est limité aux unités voisines. Les processeurs CNN sont utilisés dans le traitement des images. Ils ont été modélisés pour effectuer un traitement d’image, c’est-à-dire une ultra-haute fréquence de trame instantanée (10 000 trames) qui ne pouvait pas être réalisée par les processeurs numériques.

Encog-dotnet-core

Encog est une structure d’apprentissage automatique qui supporte le pur C#/Java. Ses fonctionnalités de réseau neuronal sont bien connues et ont été utilisées par de nombreuses personnes. Le fait qu’il soit créé avec du Java pur, le rend facile à remodeler et à utiliser lorsque vous créez un réseau neuronal à partir de zéro. Il prend en charge certains algorithmes avancés et propose également des classes d’aide pour normaliser et traiter les chiffres.

GluonCV

GluonCV permet de réaliser un cadre d’apprentissage profond futuriste dans la perception informatique. Il est conçu pour les étudiants, les chercheurs et les ingénieurs afin de leur permettre de trouver rapidement des idées de recherche et de créer des prototypes de produits à partir de ces idées. Sa boîte à outils contient les caractéristiques suivantes
Supporte MXNet et PyTorch
Supports communautaires
Des API bien conçues qui minimisent la complexité de mise en œuvre.

Gorgonia

Gorgonia est une collection qui facilite l’apprentissage automatique en Go. Elle est similaire à Tensor-flow ou Theano, et cette bibliothèque est une bibliothèque de bas niveau tout comme Theano alors qu’elle a plus de grands objectifs comme TensorFlow.

Caractéristiques
Elle effectue une différenciation automatique
Il effectue une différenciation symbolique
Elle peut effectuer une stabilisation numérique
Elle est rapide
Il supporte le calcul GPGPU/CUDA.
Il préconise le calcul distribué.

Seq2seq

Seq2seq est une structure universelle d’encodeur-décodeur pour TensorFlow qui est utilisée pour le résumé de texte, la traduction automatique, le sous-titrage d’images et la modélisation conversationnelle. Il a été conçu pour atteindre les objectifs suivants :
Usage général – Il a été conçu pour la traduction automatique, mais il prend maintenant en charge d’autres activités comme la modélisation conversationnelle, etc.
Il a été conçu pour être hautement utilisable en prenant en charge différents types de données d’entrée.
Il a été conçu pour être extensible

Brain.JS

Brain.js est une collection de réseaux neuronaux codés en JavaScript. Il s’agit d’un GPU accélérant les connexions neuronales en JavaScript pour Node.js et les navigateurs. C’est un choix fantastique pour construire un réseau neuronal. Il étudie les relations et les modèles entre ce qui entre et ce qui sort afin de prendre une décision lorsqu’il rencontre un problème similaire.

Chainer

Chainer est une structure d’apprentissage profond basée sur Python, qui se veut flexible. Elle dispose d’API de différenciation sans personnel selon des graphes de calcul dynamiques. Elle dispose également d’APIs de niveau supérieur orientées objet pour la construction et l’entraînement de réseaux neuronaux.

BigDL

BigDL est une collection d’apprentissage enraciné dispersée pour Apache Spark. Il vous permet de coder des applications d’apprentissage enraciné comme des programmes Spark normaux, et il a la capacité de fonctionner sur des clusters Hadoop ou Spark existants.
Caractéristiques
Il contient un support abondant d’apprentissage enraciné.
Il a des performances très élevées.
Il dispose d’un scale out bien organisé.

ONNX

Open Neural Network Exchange est un environnement débloqué qui permet à l’intelligence artificielle de sélectionner les outils appropriés à mesure que votre projet évolue. Il offre une conception open-source pour les conceptions d’IA, le ML traditionnel et l’apprentissage profond.

Il définit des types de données normaux, des opérateurs intégrés et un modèle de graphe de calcul extensible. Il est largement supporté, et on le trouve sur différents outils, matériels et frameworks, ce qui améliore la compatibilité entre des frameworks non identiques.

SpaCY

SpaCY est une collection pour le traitement moderne du langage naturel en Cython et Python. Il est conçu en utilisant des produits du monde réel et construit sur la recherche moderne. Il a des pipelines pré-formés intégrés, une formation pour plus de 60 langues et supporte la tokenisation. Il possède des modèles de réseaux neuronaux futuristes et une vitesse pour l’analyse syntaxique, le marquage, l’apprentissage multitâche, la classification de textes et la reconnaissance d’entités nommées.

TFLearn

TFLearn est une collection transparente et modulaire d’apprentissage enraciné construite au-dessus de TensorFlow. Il donne une API de plus haut niveau à TensorFlow pour l’aider à accélérer l’expérimentation.

Caractéristiques :
Il est facile à utiliser et traite avec l’API de haut niveau pour aider à la construction de réseaux neuronaux enracinés qui a des exemples et des tutoriels.
Duplication rapide grâce à des régularisations, des métriques, des optimisateurs et des couches de réseau modulaires intégrés de premier niveau.

ML5

ML5 est un apprentissage machine social utilisé pour le web. Son objectif est de rendre l’apprentissage automatique accueillant pour un large public de codeurs créatifs, d’étudiants et d’artistes. Il donne accès aux modèles d’apprentissage automatique et aux algorithmes dans le navigateur construit au-dessus de TensorFlow.js.

Genann

Genann est une collection de wee-testes négligeables utilisés pour former et alimenter des réseaux neuronaux non naturels en C.

Caractéristiques
Simple, thread-safe et rapide
Peut être facilement étendu
Logé dans un seul fichier d’en-tête et un seul code source
Comprend une suite de tests et des exemples
Il est gratuit pour presque toutes les utilisations puisqu’il est publié sous licence zlib.
Il est compatible avec d’autres méthodes de formation, par exemple les algorithmes génétiques, l’optimisation classique, etc.

FANN (Réseaux neuronaux artificiels rapides)

FANN est une collection gratuite de réseaux neuronaux qui réalise des réseaux neuronaux artificiels en couches en C et prend en charge les réseaux peu et entièrement connectés. Il se lie à plus de 15 langages de programmation et dispose de quelques interfaces graphiques.

Caractéristiques
Formation par rétropropagation
Il est bien documenté
Son temps d’exécution est 150 fois plus rapide que les autres collections.
Il est polyvalent et facile à utiliser.
Cache optimisé
Peut utiliser des nombres à virgule fixe et flottante

Tiny-dnn

Tiny-dnn est une administration C++ 14 de l’apprentissage profond. Il est bon pour l’apprentissage enraciné sur les systèmes embarqués restreints, les services IoT et la ressource de calcul.

Caractéristiques
Il est simple à mettre en œuvre et à intégrer avec des applications réelles.
Il est hautement portable c’est-à-dire qu’il peut s’exécuter n’importe où tant que ce compilateur supporte C++14.
Il est raisonnablement rapide.

NiftyNet

NiftyNet est un programme de réseaux neuronaux complexes open-source établi par Tensorlow pour la recherche en thérapie guidée par l’image et l’investigation d’images médicales. Sa constitution modulaire est conçue pour diviser les réseaux et les modèles pré-entraînés.

Caractéristiques
Interfaces des éléments du réseau facilement personnalisables
Prise en charge des entrées 2.5-D, 3-D, 4-D.

CLgen

CLgen est une application gratuite permettant de créer des programmes exécutables à l’aide de l’apprentissage profond (root). Il apprend à programmer en utilisant des réseaux neuronaux qui conçoivent la sémantique et l’utilisation à partir d’énormes volumes de bits de programme. Il produit des programmes OpenCL à nombreux cœurs qui représentent le programme appris, mais il en est différent.

Conclusion

Les projets ci-dessus sont les meilleurs projets de réseaux neuronaux auxquels vous pouvez accéder sur GitHub pour faire de l’apprentissage profond. Il ne vous reste plus qu’à choisir celui qui correspond à vos besoins.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.