SHOGUN Toolbox 卷积神经网络与 Caffe 和 Theano 相比如何？

Posted 2023-03-12

【中文标题】SHOGUN Toolbox 卷积神经网络与 Caffe 和 Theano 相比如何？

【英文标题】：How does the SHOGUN Toolbox convolutional neural network compare to Caffe and Theano?

【发布时间】：2015-11-15 13:19:15

【问题描述】：

我有兴趣在我的 C++ 程序中实现卷积神经网络，我正在跟踪标记的昆虫（我也在使用 OpenCV）。我看到人们经常提到 Caffe、Torch 和 Theano，但我还没有听到 SHOGUN Toolbox 中讨论过 CNN。这个 CNN 运行良好吗？如果您使用 C++ 工作，有人会推荐它吗？我已经通过 Python 中的 scikit-neuralnetwork 使用 Theano 来测试一些图像，并且效果非常好，但不幸的是 Theano 仅适用于 Python。

【问题讨论】：

我们无法判断。如果仅 Python 对您不起作用，请测试 SHOGUN 并查看您是否获得了足够好的结果。如果没有，请重复其他人。

我很想听听使用过 SHOGUN 工具箱的人的意见，并可以评论它是否有用，以及他们是否成功地实施了 CNN。

【参考方案1】：

区别在于速度。 cnn 的计算成本很高，因此 GPU 实现至少比 CPU 快 10 倍。 caffe 和 theano 提供了调用 CPU 或 GPU 的无缝集成，如果没有太多 GPU 编程经验，您可能不容易实现。

可能存在其他因素，包括多人游戏的统一界面、随机梯度下降等，但我认为速度问题是所有这些因素中最关键的。

【参考方案2】：

Shogun 还为 NN 代码中使用的一些操作提供 GPU 支持。这是正在进行的工作。在这个时间点，其他库可能会更快。我们主要在其中构建这些网络，以便能够轻松地将它们与工具箱中的其他算法进行比较。

然而，优点是您可以从大量语言中使用它（在内部，执行 C++ 代码）——如果您不想使用 python，这很有用。

以下是一些 IPython 笔记本，您可以用作比较的基础：

autoencoders for denoising and classification (convolution) networks for digit classification

我们感谢您分享任何经验。 Shogun 一直在不断发展，尤其是 NN 吸引了很多人参与其中，所以期待事情会发生变化。如果您有兴趣帮助玩 GPU 的 Shogun，请告诉我们。