深層学習のためのRライブラリ

ディープラーニングニューラルネットワーク用の優れたRライブラリがあるかどうか疑問に思っていましたか？私は知っているnnet、neuralnetとRSNNS、これらのどれも深い学習方法を実装するように見えるん。

特に、教師なし学習に続いて教師なし学習に興味があり、ドロップアウトを使用して共同適応を防ぎます。

/ edit：数年後、h20ディープラーニングパッケージは非常に適切に設計され、インストールが簡単であることがわかりました。mxnetパッケージも大好きです。これはインストールが（少し）難しいですが、covnetなどをサポートし、GPU上で実行され、非常に高速です。

オープンソースh2o.deepLearningは（）h2o.aiからRにディープラーニングのためのパッケージである、ここで、ライトアップだhttp://www.r-bloggers.com/things-to-try-after-user-part-1-deep-learning-は、 with-h2o /

そしてコード：https : //gist.github.com/woobe/3e728e02f6cc03ab86d8#file-link_data-r

######## *Convert Breast Cancer data into H2O*
dat <- BreastCancer[, -1]  # remove the ID column
dat_h2o <- as.h2o(localH2O, dat, key = 'dat')

######## *Import MNIST CSV as H2O*
dat_h2o <- h2o.importFile(localH2O, path = ".../mnist_train.csv")

######## *Using the DNN model for predictions*
h2o_yhat_test <- h2o.predict(model, test_h2o)

######## *Converting H2O format into data frame*
df_yhat_test <- as.data.frame(h2o_yhat_test)

######## Start a local cluster with 2GB RAM
library(h2o)
localH2O = h2o.init(ip = "localhost", port = 54321, startH2O = TRUE, 
                    Xmx = '2g') 
########Execute deeplearning

model <- h2o.deeplearning( x = 2:785,  # column numbers for predictors
               y = 1,   # column number for label
               data = train_h2o, # data in H2O format
               activation = "TanhWithDropout", # or 'Tanh'
               input_dropout_ratio = 0.2, # % of inputs dropout
               hidden_dropout_ratios = c(0.5,0.5,0.5), # % for nodes dropout
               balance_classes = TRUE, 
               hidden = c(50,50,50), # three layers of 50 nodes
               epochs = 100) # max. no. of epochs

「darch」というパッケージがあります

http://cran.um.ac.ir/web/packages/darch/index.html

CRANからの引用：

darch：ディープアーキテクチャおよびRestricted-Bolzmann-Machines用のパッケージ

darchパッケージは、GE HintonおよびRR Salakhutdinovのコードに基づいて構築されています（深い信念ネットのMatlabコードで入手可能：最終アクセス：01.08.2013）。このパッケージは、多くの層（ディープアーキテクチャ）を備えたニューラルネットワークを生成し、出版物「深層信念ネットの高速学習アルゴリズム」（GE Hinton、S。Osindero、YW Teh）および「次元の削減」ニューラルネットワークを使用したデータ」（GE Hinton、RR Salakhutdinov）。この方法には、GE Hinton（2002）が公開しているコントラスト発散法による事前トレーニングと、バックプロパゲーションや共役勾配などの一般的な既知のトレーニングアルゴリズムによる微調整が含まれます。

Rにはディープネットワーク用の別の新しいパッケージがあります：deepnet

まだ使用しようとしませんでしたが、すでにキャレットパッケージに組み込まれています。

私自身の質問に答えるために、RBM用のRで小さなパッケージを作成しました：https : //github.com/zachmayer/rbm

このパッケージはまだ開発中です。RBMについてはほとんど知らないので、フィードバック（およびプルリクエスト）を歓迎します。devtoolsを使用してパッケージをインストールできます：

devtools:::install_github('zachmayer/rbm')
library(rbm)
?rbm
?rbm_gpu
?stacked_rbm

このコードは、RでのAndrew Landgrafの実装とpythonでのエドウィン・チェンの実装に似ていますが、ベースRのpca関数に似た関数を記述し、スタック用の機能を含めました。darchパッケージよりもユーザーフレンドリだと思います。使用方法がわかりません（CRANから削除される前でも）。

あなたが持っている場合はgputoolsパッケージがインストールされますがrbm_gpu機能付き行列演算のためのあなたのGPUを使用することができます。これは物事を大幅にスピードアップします！さらに、RBMのほとんどの作業はマトリックス操作で行われるため、openBLASなどの優れたBLASをインストールするだけでも、処理速度が大幅に向上します。

Edwinのサンプルデータセットでコードを実行すると、次のようになります。

set.seed(10)
print('Data from: https://github.com/echen/restricted-boltzmann-machines')
Alice <- c('Harry_Potter' = 1, Avatar = 1, 'LOTR3' = 1, Gladiator = 0, Titanic = 0, Glitter = 0) #Big SF/fantasy fan.
Bob <- c('Harry_Potter' = 1, Avatar = 0, 'LOTR3' = 1, Gladiator = 0, Titanic = 0, Glitter = 0) #SF/fantasy fan, but doesn't like Avatar.
Carol <- c('Harry_Potter' = 1, Avatar = 1, 'LOTR3' = 1, Gladiator = 0, Titanic = 0, Glitter = 0) #Big SF/fantasy fan.
David <- c('Harry_Potter' = 0, Avatar = 0, 'LOTR3' = 1, Gladiator = 1, Titanic = 1, Glitter = 0) #Big Oscar winners fan.
Eric <- c('Harry_Potter' = 0, Avatar = 0, 'LOTR3' = 1, Gladiator = 1, Titanic = 0, Glitter = 0) #Oscar winners fan, except for Titanic.
Fred <- c('Harry_Potter' = 0, Avatar = 0, 'LOTR3' = 1, Gladiator = 1, Titanic = 1, Glitter = 0) #Big Oscar winners fan.
dat <- rbind(Alice, Bob, Carol, David, Eric, Fred)

#Fit a PCA model and an RBM model
PCA <- prcomp(dat, retx=TRUE)
RBM <- rbm_gpu(dat, retx=TRUE, num_hidden=2)

#Examine the 2 models
round(PCA$rotation, 2) #PCA weights
    round(RBM$rotation, 2) #RBM weights

H2OのDeep Learningモジュールを試すことができます。これは分散されており、ドロップアウトの正規化や適応学習率などの多くの高度な技術を提供します。

スライド：http : //www.slideshare.net/0xdata/h2o-deeplearning-nextml ビデオ：https : //www.youtube.com/watch?v=gAKbAQu900w&feature=youtu.be

チュートリアル：http : //learn.h2o.ai データとスクリプト：http : //data.h2o.ai

ドキュメント：http : //docs.h2o.ai GitBooks：http : //gitbook.io/@h2o

別の回答を追加するには：

mxnetはすばらしく、大好き です。インストールは少し難しいですが、GPUと複数のCPUをサポートしています。R（特に画像）でディープラーニングを行う場合は、mxnetから始めることを強くお勧めします。

R専用のディープラーニングライブラリに出会ったことはありませんが、r-bloggerについても同様の議論に遭遇しました。議論の中心は、RBM（制限付きボルツマンマシン）の使用です。次のリンクをご覧ください-

http://www.r-bloggers.com/restricted-boltzmann-machines-in-r/（「alandgraf.blogspot.com」から再投稿）

著者は、実際にRで自己実装アルゴリズムをカプセル化するのに本当に良い仕事をしています。コードの妥当性についてはまだ吟味していませんが、少なくともRで深層学習のきらめきがあります。

これがお役に立てば幸いです。

RのTensorFlowも使用できるようになりました。

https://rstudio.github.io/tensorflow/