机器/深度学习FaceRank、Sockeye、CatBoost、Facets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:FaceRank(基于 TensorFlow 的 CNN 模型)、Sockeye(基于 Apache MXNet 的神经机器翻译框架)、CatBoost(基于梯度提升决策树的机器学习方法)、Facets(机器学习数据集可视化工具)。

1、FaceRank(基于 TensorFlow 的 CNN 模型)

FaceRank 基于 TensorFlow CNN 模型,提供了一些图片处理的工具集,后续还会提供训练好的模型。给 FaceRank 一个妹子,他给你个分数。

从此以后筛选简历,先把头像颜值低的去掉,自动寻找女主颜值高的小电影,自动关注美女,自动排除负分滚粗的相亲对象。从此以后升职加薪,迎娶白富美,走上人生巅峰。

模型效果:

训练过程-你可以看训练过程:Train_Result.md,这里有损失函数和准确率变化过程。

测试结果-结果并不非常好,但是增加数据集之后有所改善。

(?, 128, 128, 24)

(?, 64, 64, 24)

(?, 64, 64, 96)

(?, 32, 32, 96)

['1-1.jpg', '1-2.jpg', '10-1.jpg', '10-2.jpg', '2-1.jpg', '2-2.jpg', '3-1.jpg', '3-2.jpg', '4-1.jpg', '4-2.jpg', '5-1.jpg', '5-2.jpg', '6-1.jpg', '6-2.jpg', '7-1.jpg', '7-2.jpg', '8-1.jpg', '8-2.jpg', '9-1.jpg', '9-2.jpg']

20

(10, 128, 128, 3)

[3 2 8 6 5 8 0 4 7 7]

(10, 128, 128, 3)

[2 6 6 6 5 8 7 8 7 5]

Test Finished!

下载地址:https://github.com/fendouai/FaceRank

2、Sockeye(基于 Apache MXNet 的神经机器翻译框架)

Sockeye 是一个基于 Apache MXNet 的快速而可扩展的深度学习库。Sockeye 代码库具有来自 MXNet 的独特优势。例如,通过符号式和命令式 MXNet API,Sockeye 结合了陈述式和命令式编程风格,它同样可以在多块 GPU 上并行训练模型。

Sockeye:为使用 MXNet 的机器翻译进行序列到序列建模。

Sockeye 实现了 MXNet 上当前最佳的序列到序列模型。它同样为所有序列到序列模型的超参数提供恰当的默认值。对于优化,无需担心停止标准、指标跟踪或者权重初始化。可以简单地运行已提供的训练命令行界面(CLI),也可以轻易改变基础模型架构,比如:

RNN 单元类型(LSTM 或 GRU)和隐藏状态大小。

RNN 层的数量。

源序列和目标序列嵌入的大小。

应用于源编码的注意力机制的类型。

Sockeye 同样有其他更高级的功能,比如:

束搜索推理。

多模型的简单集成。

RNN 层之间的残差链接。

输出层预测的词汇偏倚。

门控语境(Context gating)。

交叉熵标签平滑。

层归一化。

为了训练,Sockeye 允许使用者完全掌控重要的优化参数。例如,使用者可以设置优化器类型、学习率、动量、权重衰减和提前停止条件。Sockeye 跟踪了训练和验证数据上的多个指标(包括专门针对机器翻译的指标,比如 BLEU)。

下载地址:https://github.com/awslabs/sockeye

3、CatBoost(基于梯度提升决策树的机器学习方法)

CatBoost 是由 Yandex 的研究人员和工程师开发的基于梯度提升决策树的机器学习方法,现已开源。CatBoost 在 Yandex 公司内广泛使用,用于排列任务、预测和提出建议。

CatBoost 是通用的,可应用于广泛的领域和各种各样的问题。

机器/深度学习FaceRank、Sockeye、CatBoost、Facets介绍

对比:

机器/深度学习FaceRank、Sockeye、CatBoost、Facets介绍

下载地址:https://github.com/catboost/catboost

4、Facets(机器学习数据集可视化工具)

机器/深度学习FaceRank、Sockeye、CatBoost、Facets介绍

Facets 是 Google 开源的一款可视化工具,帮助理解、分析和调试 ML 数据集。

Facets 包含两个部分 —— Facets Overview 和 Facets Dive,允许用户以不同的粒度查看其数据的整体图像。Facets Overview 可用于可视化数据的每一个特征,Facets Dive 用来探索个别的数据观察集。

代码安装:

git clone https://github.com/PAIR-code/facets

cd facets

下载地址:https://github.com/pair-code/facets

注明

以上就是机器/深度学习FaceRank、Sockeye、CatBoost、Facets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