张量流神经网络训练接口
tensorpack的Python项目详细描述
tensorpack是一种基于tensorflow的神经网络训练接口。
特点:
这是另一个TF高级API,具有^ {STR 1 } $速度<强>和^ {STR 1 } $灵活性<强> >。
专注于训练速度。
tensorpack提供免费的速度——它以efficient的方式使用tensorflow,没有额外的开销。 在普通cnn上,它运行的训练1.2~5x faster比同等的keras代码要多。 如果使用tensorpack编写,您的训练可能会更快。
数据并行多gpu/分布式训练策略是现成的。 它的规模与谷歌的official benchmark不相上下。
参见tensorpack/benchmarks了解 一些基准脚本。
关注大型数据集。
- You don't usually need ^{
} 。 符号编程常常使数据处理变得更加困难。 tensorpack通过自动并行化帮助您有效地处理pure python中的大型数据集(例如imagenet)。
- You don't usually need ^{
它不是模型包装器。
- 世界上有太多的符号函数包装器。tensorpack只包含几个常见的模型。 但是可以在tensorpack中使用任何符号函数库,包括tf.layers/keras/slim/tflearn/tensorlayer/……
请参见tutorials and documentations了解有关这些功能的更多信息。
示例:
我们拒绝玩具的例子。 而不是显示在mnist/cifar10上训练的微型cnn, 我们提供复制知名论文的培训脚本。
我们拒绝低质量的实施。 与大多数只实现的开源回购不同, Tensorpack examples忠实地复制论文, 在实际研究中证明了它的{STR 1 } $灵活性<强>。
愿景:
- ^ imagenet上的{a11}和other models。
- Train Mask/Faster R-CNN on COCO object detection
- Generative Adversarial Network(GAN) variants,包括dcgan、infogan、conditional gan、wgan、begind、discogan、image-to-image、cyclegan。
- DoReFa-Net: train binary / low-bitwidth CNN on ImageNet
- Fully-convolutional Network for Holistically-Nested Edge Detection(HED)
- Spatial Transformer Networks on MNIST addition
- Visualize CNN saliency maps
- Similarity learning on MNIST
强化学习:
- Deep Q-Network(DQN) variants on Atari games,包括dqn、doubledqn、duelingdqn。
- Asynchronous Advantage Actor-Critic(A3C) with demos on OpenAI Gym
语音/NLP:
安装:
依赖关系:
- Python2.7或3.3+。python 2.7在it retires in 2020之前受支持。
- opencv的python绑定。(可选,但许多功能都需要)
- 张量流≥1.3,<;2。(如果只想将
tensorpack.dataflow
单独用作数据处理库,则不需要)
pip install --upgrade git+https://github.com/tensorpack/tensorpack.git
# or add `--user` to install to user's local directories
请注意,tensorpack还不稳定。 如果在代码中使用tensorpack,请记住将使用的tensorpack的确切版本标记为依赖项。
引用tensorpack:
如果您在研究中使用tensorpack或希望引用这些示例,请使用:
@misc{wu2016tensorpack,
title={Tensorpack},
author={Wu, Yuxin and others},
howpublished={\url{https://github.com/tensorpack/}},
year={2016}
}