Lasagne 0.1

安装

简而言之，您可以安装已知兼容版本的 千层面开发版本通过：

pip install -r https://raw.githubusercontent.com/Lasagne/Lasagne/master/requirements.txt
pip install https://github.com/Lasagne/Lasagne/archive/master.zip

有关更多详细信息和备选方案，请参见Installation instructions。

文件

在线提供文档：http://lasagne.readthedocs.org/

有关支持，请参阅lasagne-users mailing list。

示例

importlasagneimporttheanoimporttheano.tensorasT# create Theano variables for input and target minibatchinput_var=T.tensor4('X')target_var=T.ivector('y')# create a small convolutional neural networkfromlasagne.nonlinearitiesimportleaky_rectify,softmaxnetwork=lasagne.layers.InputLayer((None,3,32,32),input_var)network=lasagne.layers.Conv2DLayer(network,64,(3,3),nonlinearity=leaky_rectify)network=lasagne.layers.Conv2DLayer(network,32,(3,3),nonlinearity=leaky_rectify)network=lasagne.layers.Pool2DLayer(network,(3,3),stride=2,mode='max')network=lasagne.layers.DenseLayer(lasagne.layers.dropout(network,0.5),128,nonlinearity=leaky_rectify,W=lasagne.init.Orthogonal())network=lasagne.layers.DenseLayer(lasagne.layers.dropout(network,0.5),10,nonlinearity=softmax)# create loss functionprediction=lasagne.layers.get_output(network)loss=lasagne.objectives.categorical_crossentropy(prediction,target_var)loss=loss.mean()+1e-4*lasagne.regularization.regularize_network_params(network,lasagne.regularization.l2)# create parameter update expressionsparams=lasagne.layers.get_all_params(network,trainable=True)updates=lasagne.updates.nesterov_momentum(loss,params,learning_rate=0.01,momentum=0.9)# compile training function that updates parameters and returns training losstrain_fn=theano.function([input_var,target_var],loss,updates=updates)# train network (assuming you've got some training data in numpy arrays)forepochinrange(100):loss=0forinput_batch,target_batchintraining_data:loss+=train_fn(input_batch,target_batch)print("Epoch %d: Loss %g"%(epoch+1,loss/len(training_data)))# use trained network for predictionstest_prediction=lasagne.layers.get_output(network,deterministic=True)predict_fn=theano.function([input_var],T.argmax(test_prediction,axis=1))print("Predicted class for first test input: %r"%predict_fn(test_data[0]))

有关全功能示例，请参见examples/mnist.py， 并检查Tutorial是否深入 同样的解释。更多示例、代码片段和 最近的研究论文保存在单独的Lasagne Recipes存储库中。

发展

千层面正在制作中，欢迎输入。

详情请参阅Contribution instructions 你怎么能做出贡献！

变更日志

0.1（2015-08-13）

第一次释放。

• 核心贡献者，按字母顺序排列：
  • 埃里克·巴滕贝格（@ebattenberg）
  • 桑德·迪勒曼（@benanne）
  • 丹尼尔·努里（@dnouri）
  • 埃本·奥尔森（@eben olson）
  • 阿荣·范登诺德（@avdnoord）
  • 科林·拉菲尔（@craffel）
  • 简·施吕特（@f0k）
  • 瑟伦·卡埃森德比（@s kaae）
• 额外贡献者，按时间顺序排列：
  • daniel maturana（@dimatura）：文档，cudnn层，lrn
  • 乔纳斯降级（@317070）：获取所有参数值（）修复
  • jack kelly（@jackkelly）：帮助处理重复层
  • gabor takács（@takacsg84）：支持宽面条中的可广播参数。更新
  • Diogo Moitinho de Almeida（@diogo149）：mnist示例修复
  • brian mcfee（@bmcfee）：maxpool2dlayer修复
  • martin thoma（@martinthoma）：文档
  • Jeffrey de Fauw（@jeffreydf）：文档，adam fix
  • 迈克尔·海尔曼（@mheilman）：非线性层，千层面，随机
  • gregory sanders（@instagibbs）：文档修复
  • jon crall（@erotemic）：检查非正输入形状
  • hendrik weideman（@hjweide）：设置所有参数的值（）test，maxpool2dcclayer fix
  • Kashif Rasul（@kashif）：亚当简化
  • peter de rivaz（@peterdererivaz）：文档修复