Existe-t-il un outil visuel pour concevoir et appliquer des réseaux neuronaux / apprentissage en profondeur? [fermé]

Je sais qu'il y a beaucoup de bibliothèques pour l'apprentissage automatique et le deep learning comme caffe, Theano, TensorFlow, keras, ... Mais pour moi, il me semble que je dois connaître l'architecture du réseau neuronal que je veux utiliser.

Existe-t-il un outil (visuel) qui permet d'expérimenter différentes conceptions de réseaux et de les appliquer sur ses propres données?

Je pense à quelque chose comme le TensorFlow Playground , mais avec des données à n dimensions et différents types de couches.

Merci d'avance!

Oui, il existe de nombreux outils disponibles pour concevoir et appliquer un réseau de neurones par simple glisser-déposer, dont Deep Learning Studio développé par Deep Cognition Inc , leur robuste plateforme d'apprentissage en profondeur avec une interface visuelle en production fournit une solution complète à l'ingestion de données , développement de modèles, formation, déploiement et gestion. Les utilisateurs de Deep Learning Studio ont la possibilité de développer et de déployer rapidement des solutions d'apprentissage en profondeur grâce à une intégration robuste avec TensorFlow, MXNet et Keras.

Leur fonction ML automatique générera automatiquement le modèle de réseau neuronal.

Pour caffe, il existe un outil tiers appelé Expresso ( http://val.serc.iisc.ernet.in/expresso/ ) qui fournit une interface graphique pour vous aider à démarrer.

De plus, NVIDIA DIGITS ( https://developer.nvidia.com/digits ) prétend également être un outil interactif:

DIGITS simplifie les tâches d'apprentissage en profondeur courantes telles que la gestion des données, la conception et la formation de réseaux de neurones sur des systèmes multi-GPU, la surveillance des performances en temps réel avec des visualisations avancées et la sélection du modèle le plus performant dans le navigateur de résultats pour le déploiement. DIGITS est complètement interactif afin que les scientifiques des données puissent se concentrer sur la conception et la formation de réseaux plutôt que sur la programmation et le débogage.

J'espère que cela t'aides!

Le processus de recherche de l'architecture réseau optimale pour votre problème est au cœur du processus d'apprentissage en profondeur - c'est là que vous utilisez vos connaissances antérieures pour optimiser les performances.

Honnêtement, je ne vois pas vraiment comment une interface graphique comme vous l'avez suggéré pourrait servir cet objectif, comme:

• Pour pouvoir évaluer une architecture donnée, vous devez former le net sur vos données (à partir de zéro). Pour les réseaux de neurones profonds, c'est un processus qui peut prendre un certain temps. Donc, si chaque clic que vous effectuez nécessite une heure de calcul, il enlève à peu près tout l'avantage d'une interface graphique.

• La plupart des implémentations (caffe, TensorFlow) ont une syntaxe si simple, que changer l'architecture (changer les couches, ajuster les hyper-paramètres) revient vraiment à changer la valeur d'une seule chaîne ou constante: rien pour quoi vous avez vraiment besoin d'une interface graphique.

Si, d'autre part, ce que vous recherchez est une approche plus systématique de l'activité de réglage des paramètres, vous pouvez vous renseigner sur le réglage automatique des paramètres .

Oui, il existe un nouvel éditeur visuel pour les petits réseaux de neurones appelé "Neural Network Designer" qui est disponible sur l'App Store d'Apple pour Mac.

J'ai travaillé sur une interface utilisateur de réseau neuronal par glisser-déposer (Ennui) qui s'entraîne sur le navigateur et permet aux utilisateurs d'exporter du Python généré par code. Nous avons différentes couches, y compris dense, convolutionnelle, maxpool, batchnorm, etc. La construction de modèles ramifiés comme ResNets est également prise en charge. Nous avons également implémenté quelques visualisations courantes.

Voici une photo d'Ennui

Voici un exemple de visualisation

Vous pouvez visiter le site Web à https://math.mit.edu/ennui

L'implémentation open-source se trouve sur https://github.com/martinjm97/ENNUI

N'hésitez pas à nous faire part de vos commentaires ou questions.