机器/深度学习MacroBase、Unity ML-Agents、MILK、TFGAN介绍

以下为你介绍的机器学习/深度学习软件都可用在Linux系统上:MacroBase(数据分析工具)、Unity ML-Agents(Unity 的机器学习代理工具)、MILK(Python 机器学习工具包)、TFGAN(轻量级生成对抗网络工具库)。

1、MacroBase(数据分析工具)

MacroBase 是一个数据分析工具,利用机器学习优先处理大型数据集。

具体来说,MacroBase 是一个新的分析监督引擎,旨在进行大型数据集和数据流优先处理。与传统的分析引擎不同,MacroBase 专门用于一项任务:查找和解释数据中不寻常或有趣的趋势。

MacroBase 已用于多个领域,包括在线服务、移动设备、用户分析、汽车和制造。

下载地址:https://github.com/stanford-futuredata/macrobase

2、Unity ML-Agents(Unity 的机器学习代理工具)

机器/深度学习MacroBase、Unity ML-Agents、MILK、TFGAN介绍

Unity ML-Agents 是 Unity 的机器学习代理工具。机器学习代理(ML-Agents)是一个开源工具包,其中包含了一套示例项目和基线算法用作新手入门。

它将帮助开发和研究人员,将使用 Unity 开发的游戏及应用程序转换到可以对智能代理进行培训的环境中。通过简单易用的 Python API,运用增强学习、进化策略以及其它机器学习方法。机器学习代理对于高度逼真环境中的复杂机器学习问题具有显著的优势。

机器学习代理工具包适用以下情况,对于各种用例有很强的适应性,包括:

有兴趣研究现实竞争和合作场景中复杂多代理行为的学术研究者。

对机器人、无人驾驶汽车和其它工业应用的大规模并行常规性强化训练感兴趣的行业研究者。

有兴趣为虚拟世界创造各种具有独立特异性行为的智能代理的游戏开发者。

特征:

来自Python的Unity环境控制。

10多个示例Unity环境。

两种深度强化学习算法:近端策略优化(PPO)和软参与者关键(SAC)。

支持多种环境配置和培训方案。

使用深度强化学习训练记忆增强的主体。

轻松定义课程学习和推广方案。

广播代理行为以进行监督学习。

内置的模仿学习支持。

随需应变决策的灵活代理控制。

可视化环境中的网络输出。

使用Docker简化设置。

将学习环境包装成健身房。

利用Unity推理引擎。

使用并发Unity环境实例进行训练。

下载地址:https://github.com/Unity-Technologies/ml-agents

3、MILK(Python 机器学习工具包)

MILK(MACHINE LEARNING TOOLKIT) 是 Python 语言的机器学习工具包。

它主要是在很多可得到的分类比如 SVMS、K-NN、随机森林以及决策树中使用监督分类法,它还可执行特征选择。这些分类器在许多方面相结合,可以形成不同的例如无监督学习、密切关系传播和由 MILK 支持的 K-means 聚类等分类系统。

MILK 关注速度和内存的使用,因此大多数对性能比较敏感的代码都是用 C++ 编写的。为了方便起见,基于 Python 实现了接口。

示例代码:

测试对一些 features,labels 数据的分类情况,通过交叉验证测量:

import numpy as np

import milk

features = np.random.rand(100,10) # 2d array of features: 100 examples of 10 features each

labels = np.zeros(100)

features[50:] += .5

labels[50:] = 1

confusion_matrix, names = milk.nfoldcrossvalidation(features, labels)

print 'Accuracy:', confusion_matrix.trace()/float(confusion_matrix.sum())

如果想要使用分类器,可以创建一个 learner object 并调用它的 train() 方法:

import numpy as np

import milk

features = np.random.rand(100,10)

labels = np.zeros(100)

features[50:] += .5

labels[50:] = 1

learner = milk.defaultclassifier()

model = learner.train(features, labels)

# Now you can use the model on new examples:

example = np.random.rand(10)

print model.apply(example)

example2 = np.random.rand(10)

example2 += .5

print model.apply(example2)

特性:

支持向量机,使用封装了 pythonesque 的 libsvm solver。

LASSO 算法。

K-means 使用的内存小,可有效地对数百万个实例进行集群。

随机森林。

自组织地图。

逐步判别分析特征选择。

非负矩阵分解(Non-negative Matrix Factorization,NMF)算法。

AP(Affinity Propagation)聚类算法。

下载地址:https://github.com/luispedro/milk

4、TFGAN(轻量级生成对抗网络工具库)

生成对抗网络(GAN)是一种先进的机器学习方法,已被广泛应用于从文本生成图像、超分辨率和让机器人学习抓取物体等任务中。但 GAN 的出现也引入了新的理论,为软件工程带来了新的挑战,我们很难跟上 GAN 研究的快速步伐。

为使开发者更轻松地使用 GAN 进行实验,谷歌最近开源了 TFGAN,一个实现轻松训练和评估 GAN 的轻量级库。它为开发者轻松训练 GAN 提供了基础条件,提供经过完整测试的损失函数和评估指标,同时提供易于使用的范例,这些范例展示了 TFGAN 的表达能力和灵活性。谷歌还发布了一个包含高级 API 的教程,帮助人们快速上手,使用自己的数据训练模型。

TFGAN 由以下几个独立存在的部分组成:

核心:提供训练 GAN 所需的主要基础设施。训练分四个阶段进行,每个阶段都可以通过自定义代码或使用 TFGAN 库调用来完成。

功能:很多常见的 GAN 操作和归一化技术可供使用,包括实例归一化和条件化(conditioning)。

损失:允许轻松利用已实现且经过完整测试的损失和惩罚机制进行实验,如 Wasserstein 损失、梯度惩罚、互信息惩罚等。

评估:使用 Inception Score 或 Frechet Distance 与预训练的 Inception 网络评估无条件生成模型。你还可以使用自己的预训练分类器获得更加具体的结果,或使用其他方法对条件生成模型进行评估。

示例和教程:从示例中可以学习如何使用 TFGAN 让 GAN 训练变得更简单,你也可以参考更复杂的示例来启动自己的项目。这些内容包括无条件和条件 GAN、InfoGAN、现有网络的对抗损失,以及图像到图像翻译。

下载地址:https://gitee.com/mirrors/TFGAN

注明

以上就是机器/深度学习MacroBase、Unity ML-Agents、MILK、TFGAN的介绍内容,这些机器学习/深度学习软件都能使用在Linux操作系统中。

栏目相关文章