文件名称:基于 Rust 的跨 GPU 机器学习
文件大小:62KB
文件格式:ZIP
更新时间:2024-07-18 12:41:19
hal
HAL:超自适应学习基于 Rust 的跨 GPU 机器学习。为什么生锈?这个项目是为那些错过强类型编译语言的人准备的。锈是因为专门选择这个此外,我们可以为您的操作的细粒度控制。这意味着能够在任何阶段获取张量的维度,没有任何未知形状的废话。我们还可以微控制步骤。一个例子是在 LSTM 上处理每个单独的前向时间步长。通常这些由内部循环控制 [Theano/Tensorflow 等]。特征多 GPU [基于模型] 支持OpenCL + CUDA + 并行 CPU 支持具有内部 RTRL 的 LSTM [正在进行中]RNN 的 [正在进行的工作]感知器、自动编码器、ConvNets**[TODO]**优化器:[SGD、Adam、AdaGrad**[TODO]**]激活:[线性、Sigmoid、Tanh、ReLU、LReLU、Softmax]初始化:[Lecun Uniform、Glorot Normal、Glorot Uniform、Normal、Uniform]数据收集器:[SinSource,MNIST**[进行中],CIFAR10 [TODO]**]损失函数:[MSE,L2,交叉熵]基于
【文件预览】:
hal-feature-lstm
----.gitignore(186B)
----src()
--------initializations.rs(3KB)
--------utils.rs(17KB)
--------optimizer()
--------data()
--------model()
--------layer()
--------activations.rs(7KB)
--------params.rs(26KB)
--------error.rs(917B)
--------loss.rs(6KB)
--------plot.rs(852B)
--------device.rs(3KB)
--------lib.rs(612B)
----.travis.yml(956B)
----LICENSE(1KB)
----Cargo.toml(2KB)
----.gitmodules(103B)
----examples()
--------adding_problem.rs(3KB)
--------copying_rnn.rs(3KB)
--------autoencoder.rs(5KB)
--------copying_problem.rs(4KB)
--------xor_rnn.rs(4KB)
----README.md(4KB)
----tests()
--------test.m(820B)
--------lib.rs(18KB)
----arrayfire-rust()