Войти
Программное обеспечение нейронной сети используется для моделирования, исследования, разрабатывать и применять искусственные нейронные сети, концепции программного обеспечения, адаптированные из биологических нейронных сетей, и в некоторых случаях более широкий набор адаптивных систем такие как искусственный интеллект и машинное обучение.
Симуляторы нейронных сетей - это программные приложения, которые используются для моделирования поведения искусственных или биологических нейронных сетей. Они сосредоточены на одном или ограниченном количестве конкретных типов нейронных сетей. Обычно они являются автономными и не предназначены для создания нейронных сетей общего назначения, которые можно интегрировать в другое программное обеспечение. Симуляторы обычно имеют встроенную визуализацию для мониторинга процесса обучения. Некоторые симуляторы также визуализируют физическую структуру нейронной сети.
SNNS Исследовательский симулятор нейронной сети Исторически наиболее распространенным типом программного обеспечения для нейронных сетей было исследование структур и алгоритмов нейронных сетей. Основная цель этого типа программного обеспечения состоит в том, чтобы путем моделирования лучше понять поведение и свойства нейронных сетей. Сегодня при изучении искусственных нейронных сетей симуляторы в значительной степени заменены более общими средами разработки на основе компонентов в качестве исследовательских платформ.
Обычно используемые имитаторы искусственных нейронных сетей включают Stuttgart Neural Network Simulator (SNNS), Emergent и Neural Lab.
При изучении биологических нейронных сетей. сети, однако, программное обеспечение для моделирования по-прежнему является единственным доступным подходом. В таких симуляторах изучаются физико-биологические и химические свойства нервной ткани, а также электромагнитные импульсы между нейронами.
Обычно используемые имитаторы биологических сетей включают Neuron, GENESIS, NEST и Brian.
В отличие от исследовательских симуляторов, симуляторы анализа данных предназначены для практических приложений искусственных нейронных сетей. Их основное внимание уделяется интеллектуальному анализу данных и прогнозированию. Симуляторы анализа данных обычно имеют некоторую форму предварительной обработки. В отличие от более общих сред разработки, симуляторы анализа данных используют относительно простую статическую нейронную сеть, которую можно настроить. Большинство симуляторов анализа данных на рынке используют в качестве ядра сети с обратным распространением информации или самоорганизующиеся карты. Преимущество этого типа программного обеспечения в том, что оно относительно простое в использовании. Neural Designer - один из примеров симулятора анализа данных.
Когда в 1986-87 годах были выпущены тома Параллельная распределенная обработка, они предоставили относительно простое программное обеспечение. Исходное программное обеспечение PDP не требовало каких-либо навыков программирования, что привело к его принятию широким кругом исследователей в самых разных областях. Исходное программное обеспечение PDP было преобразовано в более мощный пакет под названием PDP ++, который, в свою очередь, стал еще более мощной платформой под названием Emergent. С каждой разработкой программное обеспечение становилось более мощным, но и более сложным для использования новичками.
В 1997 году было выпущено программное обеспечение tLearn для сопровождения книги. Это было возвращение к идее создания небольшого, удобного симулятора, который был разработан для новичков. tLearn позволяет использовать базовые сети с прямой связью, а также простые рекуррентные сети, обе из которых можно обучить с помощью простого алгоритма обратного распространения. tLearn не обновлялся с 1999 года.
В 2011 году был выпущен симулятор Basic Prop. Basic Prop - это автономное приложение, распространяемое как независимый от платформы JAR-файл, который обеспечивает большую часть тех же простых функций, что и tLearn.
В 2012 году Wintempla включила пространство имен под названием NN с набором классов C ++ для реализации: сети прямого распространения, вероятностные нейронные сети и сети Кохонена. Neural Lab основана на классах Wintempla. В учебниках Neural Lab и Wintempla объясняются некоторые из этих классов для нейронных сетей. Основным недостатком Wintempla является то, что он компилируется только с Microsoft Visual Studio.
Среды разработки для нейронных сетей отличаются от описанного выше программного обеспечения главным образом двумя учетными записями - их можно использовать для разработки собственных типов нейронных сетей, и они поддерживают развертывание нейронной сети вне среды. В некоторых случаях у них есть расширенные возможности предварительной обработки, анализа и визуализации.
Peltarion Synapse. A более современный тип сред разработки, который в настоящее время используется как в промышленности, так и в науке, основан на парадигме , основанной на компонентах. Нейронная сеть создается путем соединения компонентов адаптивного фильтра в потоке трубного фильтра. Это обеспечивает большую гибкость, так как могут быть построены пользовательские сети, а также пользовательские компоненты, используемые в сети. Во многих случаях это позволяет сочетанию адаптивных и неадаптивных компонентов работать вместе. Поток данных контролируется системой управления, которая является взаимозаменяемой, а также алгоритмами адаптации. Другая важная особенность - возможности развертывания.
С появлением компонентных фреймворков, таких как .NET и Java, компонентные среды разработки могут развертывать разработанную нейронную сеть в этих фреймворках как наследуемые. компоненты. Кроме того, некоторое программное обеспечение также может развертывать эти компоненты на нескольких платформах, таких как встроенные системы.
Среды разработки на основе компонентов включают: Peltarion Synapse, NeuroDimension NeuroSolutions, Scientific Software Neuro Laboratory и интегрированное программное обеспечение LIONsolver. Бесплатные среды с открытым исходным кодом на основе компонентов включают Encog и Neuroph.
Недостатком компонентных сред разработки является то, что они более сложные, чем тренажеры. Они требуют большего обучения для полноценной работы, и их сложнее развить.
Однако большинство доступных реализаций нейронных сетей являются пользовательскими реализациями на различных языках программирования и на различных платформах. Базовые типы нейронных сетей просто реализовать напрямую. Также существует множество программных библиотек, которые содержат функции нейронной сети и которые могут использоваться в пользовательских реализациях (например, TensorFlow, Theano и т. Д., Обычно предоставляя привязки на такие языки, как Python, C ++, Java ).
Чтобы модели нейронных сетей могли использоваться разными приложениями, необходим общий язык. Язык разметки прогнозных моделей (PMML) был предложен для удовлетворения этой потребности. PMML - это язык на основе XML, который позволяет приложениям определять и совместно использовать модели нейронных сетей (и другие модели интеллектуального анализа данных) между PMML-совместимыми приложениями.
PMML предоставляет приложениям метод определения моделей, не зависящий от производителя, так что частные проблемы и несовместимость больше не являются препятствием для обмена моделями между приложениями. Он позволяет пользователям разрабатывать модели в рамках приложения одного поставщика и использовать приложения других поставщиков для визуализации, анализа, оценки или иного использования моделей. Раньше это было очень сложно, но с PMML обмен моделями между совместимыми приложениями стал простым.
Предлагается ряд продуктов для производства и потребления PMML. В этот постоянно растущий список входят следующие продукты нейронных сетей:
