与scikit-learn兼容的神经网络库
项目描述
nolearn 包含了围绕现有神经网络库的许多封装和抽象，最显著的是 Lasagne，以及一些机器学习实用模块。所有代码都编写为与 scikit-learn 兼容。
安装
我们建议使用 venv（当使用Python 3时）或 virtualenv（Python 2）来安装nolearn。
nolearn附带一个已知良好的依赖版本列表，我们在 requirements.txt 中进行了测试。要从Git安装nolearn的最新版本以及这些已知良好的依赖项，请运行以下两个命令
pip install -r https://raw.githubusercontent.com/dnouri/nolearn/master/requirements.txt pip install git+https://github.com/dnouri/nolearn.git
文档
如果您想了解如何使用 nolearn.lasagne，那么您可以选择以下两个入门教程之一
有关lasagne包中的类和函数的详细信息，例如层、更新和非线性函数，请查阅Lasagne项目文档。
nolearn.lasagne附带了一些测试用例，展示了某些更高级的特性，例如具有合并层的网络和具有多个输入的网络。
目前，nolearn的文档有些过时。但网上有更多资源。
最后，还有一些来自网络上的演示和示例。请注意，其中一些可能需要特定版本的nolearn和Lasange才能运行。
Oliver Dürr的卷积神经网络II动手实践及其代码
Roelof Pieters的演示Python用于图像理解包含nolearn.lasagne的代码示例
Benjamin Bossan的使用nolearn/lasagne进行Otto Group产品分类挑战
Kaggle的如何设置AWS GPU实例以运行nolearn.lasagne的说明和面部关键点检测教程
2015年LSUN挑战中显著性预测任务的前三名获奖者发布了他们基于lasagne/nolearn的代码。
Kaggle糖尿病视网膜病变检测挑战赛第二名获奖者发布了他们基于lasagne/nolearn的代码。
Kaggle右鲸识别挑战赛第二名获奖者发布了他的基于lasagne/nolearn的代码。
支持
如果您在nolearn中发现了一个错误，请向nolearn问题跟踪器提交错误报告。请确保包括以下信息：
如何重现错误：用最小示例展示如何触发错误
您正在使用哪些版本：包括Git修订版和/或您正在使用的nolearn（以及可能Lasagne）的版本
请务必搜索问题跟踪器，看看您的问题是否之前遇到过或已被修复。
如果您认为您看到的问题是Lasagne的问题，这是一个不同的软件项目，请使用Lasagne问题跟踪器。
目前没有nolearn的用户邮件列表。但是，如果您有任何与Lasagne相关的问题，您可能想尝试Lasagne用户列表，或使用Stack Overflow。请避免直接联系作者进行非商业支持请求；公共论坛是这些请求的正确地方。
引用
欢迎引用
Daniel Nouri. 2014. nolearn：与scikit-learn兼容的神经网络库 https://github.com/dnouri/nolearn
许可
有关许可权利和限制，请参阅LICENSE.txt文件（MIT）。
变更历史
0.6.1 - 2019-11-05
请查看GitHub以获取本发行版与上一版本之间的变更列表：https://github.com/dnouri/nolearn/pulls?q=is%3Apr+is%3Aclosed
0.6.0 - 2016-08-27
感谢@BenjaminBossan、@cancan101、@DanChianucci对本发行版做出的重大贡献。
lasagne：对nolearn.lasagne接口进行了许多改进。其中一些重要的更改
添加了对多个输出的基本支持 https://github.com/dnouri/nolearn/pull/278
现在可以将额外分数计算作为Theano计算图的一部分 https://github.com/dnouri/nolearn/pull/261
修复使用shuffle时批量迭代器过度使用内存的问题 https://github.com/dnouri/nolearn/pull/238
添加显著性图的可视化代码 https://github.com/dnouri/nolearn/pull/223
添加方便访问网络中间层输出的方法 https://github.com/dnouri/nolearn/pull/196
将随机化添加到BatchIterator https://github.com/dnouri/nolearn/pull/193
将l1和l2正则化添加到默认目标函数 https://github.com/dnouri/nolearn/pull/169
添加RememberBestWeights处理器：在训练后恢复最佳权重 https://github.com/dnouri/nolearn/pull/155
现在可以将Lasagne层实例传递给NeuralNet的'layers'参数 https://github.com/dnouri/nolearn/pull/146
添加了plot_loss、plot_weights、plot_activity和plot_occlusion等特征可视化函数。其中，plot_occlusion显示对于图像样本，图像的哪些部分对预测至关重要 https://github.com/dnouri/nolearn/pull/74
添加SaveWeights处理器，该处理器在每个n个epoch后将权重保存到磁盘 https://github.com/dnouri/nolearn/pull/91
在详细模式下，在开始训练之前打印出更详细的层信息 https://github.com/dnouri/nolearn/pull/85
NeuralNet的'layers'参数的列表现在可以格式化为包含'(layer_factory, layer_kwargs)'元组 https://github.com/dnouri/nolearn/pull/73
dbn：由于有几篇在线文章引用它，重新添加了dbn模块。仅适用于Python 2。
删除了已弃用的模块。同时弃用grid_search模块。
0.5 - 2015-01-22
弃用console、dataset、dbn和model模块。
lasagne：添加了围绕Lasagne神经网络库的scikit-learn兼容包装器，用于构建简单的前馈网络。
0.5b1 - 2014-08-09
overfeat：添加基于OverFeat的特征提取器。
caffe：添加基于Caffe中找到的ImageNet预训练网络的特征提取器。
0.4 - 2014-01-15
cache：使用joblib的numpy_pickle而不是cPickle进行持久化。
0.3.1 - 2013-11-18
convnet：添加center_only和classify_direct选项。
0.3 - 2013-11-02
convnet：添加基于Jia和Donahue的DeCAF的scikit-learn估计器。
dbn：将use_re_lu=True和nesterov=True更改为默认参数。
0.2 - 2013-03-03
dbn：添加参数learn_rate_decays和learn_rate_minimums，允许在每个微调epoch后减少学习率。
dbn：允许将-1作为神经网络输入和输出层的值。然后使用X和y的形状来确定这些。
dbn：添加对稀疏输入数据矩阵的支持。
dbn：提高DBN.predict_proba的糟糕速度。
0.2b1 - 2012-12-30
在nolearn.dbn中添加了基于George Dahl的gdbn的scikit-learn估计器。
nolearn-0.6.1.tar.gz的散列值
| 算法 | 散列摘要 | |
|---|---|---|
| SHA256 | bab2dc2aeb9560264791298f1d206b78fd9b345cecdd500b34f469d367765158 |
|
| MD5 | 712db01f9de7ffb7debca488096a28c3 |
|
| BLAKE2b-256 | bf3a8e3b18a0074f26904b73f435a1d9d5e09b8e5dba3b1c004711cf76787a3e |