python貝葉斯網路

⑴ 各種編程語言的深度學習庫整理大全！

各種編程語言的深度學習庫整理大全！
python1. Theano是一個python類庫，用數組向量來定義和計算數學表達式。它使得在Python環境下編寫深度學習演算法變得簡單。在它基礎之上還搭建了許多類庫。
1.Keras是一個簡潔、高度模塊化的神經網路庫，它的設計參考了Torch，用Python語言編寫，支持調用GPU和CPU優化後的Theano運算。
2.Pylearn2是一個集成大量深度學習常見模型和訓練演算法的庫，如隨機梯度下降等。它的功能庫都是基於Theano之上。
3.Lasagne是一個搭建和訓練神經網路的輕量級封裝庫，基於Theano。它遵循簡潔化、透明化、模塊化、實用化和專一化的原則。
4.Blocks也是一個基於Theano的幫助搭建神經網路的框架。
2. Caffe是深度學習的框架，它注重於代碼的表達形式、運算速度以及模塊化程度。它是由伯克利視覺和學習中心（Berkeley Vision and Learning Center, BVLC）以及社區成員共同開發。谷歌的DeepDream項目就是基於Caffe框架完成。這個框架是使用BSD許可證的C++庫，並提供了Python調用介面。
3. nolearn囊括了大量的現有神經網路函數庫的封裝和抽象介面、大名鼎鼎的Lasagne以及一些機器學習的常用模塊。
4. Genism也是一個用Python編寫的深度學習小工具，採用高效的演算法來處理大規模文本數據。
5. Chainer在深度學習的理論演算法和實際應用之間架起一座橋梁。它的特點是強大、靈活、直觀，被認為是深度學習的靈活框架。
6. deepnet是基於GPU的深度學習演算法函數庫，使用Python語言開發，實現了前饋神經網路（FNN）、受限玻爾茲曼機（RBM）、深度信念網路（DBN）、自編碼器（AE）、深度玻爾茲曼機（DBM）和卷積神經網路（CNN）等演算法。
7. Hebel也是深度學習和神經網路的一個Python庫，它通過pyCUDA控制支持CUDA的GPU加速。它實現了最重要的幾類神經網路模型，提供了多種激活函數和模型訓練方法，例如momentum、Nesterov momentum、dropout、和early stopping等方法。
8. CXXNET是一個基於MShadow開發的快速、簡潔的分布式深度學習框架。它是一個輕量級、易擴展的C++/CUDA神經網路工具箱，提供友好的Python/Matlab介面來進行訓練和預測。
9. DeepPy是基於NumPy的深度學習框架。
10. DeepLearning是一個用C++和Python共同開發的深度學習函數庫。
11. Neon是Nervana System 的深度學習框架，使用Python開發。
Matlab
1. ConvNet 卷積神經網路是一類深度學習分類演算法，它可以從原始數據中自主學習有用的特徵，通過調節權重值來實現。
2. DeepLearnToolBox是用於深度學習的Matlab/Octave工具箱，它包含深度信念網路（DBN）、棧式自編碼器（stacked AE）、卷積神經網路（CNN）等演算法。
3. cuda-convet是一套卷積神經網路（CNN）代碼，也適用於前饋神經網路，使用C++/CUDA進行運算。它能對任意深度的多層神經網路建模。只要是有向無環圖的網路結構都可以。訓練過程採用反向傳播演算法（BP演算法）。
4. MatConvNet是一個面向計算機視覺應用的卷積神經網路（CNN）Matlab工具箱。它簡單高效，能夠運行和學習最先進的機器學習演算法。
CPP
1. eblearn是開源的機器學習C++封裝庫，由Yann LeCun主導的紐約大學機器學習實驗室開發。它用基於能量的模型實現卷積神經網路，並提供可視化交互界面（GUI）、示例以及示範教程。
2. SINGA是Apache軟體基金會支持的一個項目，它的設計目標是在現有系統上提供通用的分布式模型訓練演算法。
3. NVIDIA DIGITS是用於開發、訓練和可視化深度神經網路的一套新系統。它把深度學習的強大功能用瀏覽器界面呈現出來，使得數據科學家和研究員可以實時地可視化神經網路行為，快速地設計出最適合數據的深度神經網路。
4. Intel? Deep Learning Framework提供了Intel?平台加速深度卷積神經網路的一個統一平台。
Java
1. N-Dimensional Arrays for Java (ND4J) 是JVM平台的科學計算函數庫。它主要用於產品中，也就是說函數的設計需求是運算速度快、存儲空間最省。
2. Deeplearning4j 是第一款商業級別的開源分布式深度學習類庫，用Java和Scala編寫。它的設計目的是為了在商業環境下使用，而不是作為一款研究工具。
3. Encog是一個機器學習的高級框架，涵蓋支持向量機、人工神經網路、遺傳編程、貝葉斯網路、隱馬可夫模型等，也支持遺傳演算法。
JavaScript
1. Convnet.js 由JavaScript編寫，是一個完全在瀏覽器內完成訓練深度學習模型（主要是神經網路）的封裝庫。不需要其它軟體，不需要編譯器，不需要安裝包，不需要GPU，甚至不費吹灰之力。
Lua
1. Torch是一款廣泛適用於各種機器學習演算法的科學計算框架。它使用容易，用快速的腳本語言LuaJit開發，底層是C/CUDA實現。Torch基於Lua編程語言。
Julia
1. Mocha是Julia的深度學習框架，受C++框架Caffe的啟發。Mocha中通用隨機梯度求解程序和通用模塊的高效實現，可以用來訓練深度/淺層（卷積）神經網路，可以通過（棧式）自編碼器配合非監督式預訓練（可選）完成。它的優勢特性包括模塊化結構、提供上層介面，可能還有速度、兼容性等更多特性。
Lisp
1. Lush(Lisp Universal Shell)是一種面向對象的編程語言，面向對大規模數值和圖形應用感興趣的廣大研究員、實驗員和工程師們。它擁有機器學習的函數庫，其中包含豐富的深度學習庫。
Haskell
1. DNNGraph是Haskell用於深度神經網路模型生成的領域特定語言（DSL）。
.NET
1. Accord.NET 是完全用C#編寫的.NET機器學習框架，包括音頻和圖像處理的類庫。它是產品級的完整框架，用於計算機視覺、計算機音頻、信號處理和統計應用領域。
R
1. darch包可以用來生成多層神經網路（深度結構）。訓練的方法包括了對比散度的預訓練和眾所周知的訓練演算法（如反向傳播法或共軛梯度法）的細調。
2. deepnet實現了許多深度學習框架和神經網路演算法，包括反向傳播(BP)、受限玻爾茲曼機(RBM)、深度信念網路(DBP)、深度自編碼器(Deep autoencoder)等等。

⑵ Python 與深度學習有哪些與建築設計相接軌的可能性

關注這個問題快一周了，到目前來說還是沒發現什麼太大的驚喜。我感覺建築設計界還是要學習一個，不要看到深度學習很火，就弄個大新聞，把這玩意往建築設計上搬呀。

其實深度學習這事兒到底怎麼就能和建築設計掛鉤上？如果單單指「深度學習」，那我的理解是套用了許多層的人工神經網路，這種技術能在建築設計中扮演什麼角色？我目前還真沒發現直接用深度學習這種技術來輔助建築設計的例子。但是如果把題主提問的概念放寬松一點，變成「如何使用機器學習等演算法來幫助建築設計」，那我想還是有比較好的例子的。

機器學習技術是用來讓程序的運行性能隨著輸入量和時間的積累慢慢提高的一種技術。例如你寫了一個程序來預測一棟別墅的房價，這個程序的作用是能根據輸入數據的[城市，街道，區位，面積，戶型，..]等參數預測房價，為了提高程序預測的准確度，你需要先給程序喂一些已經有了估價結果的數據，程序學習一定的數據以後就能自己預測房價了。那麼，這種程序工作的方式和我們做建築設計的工作流程有什麼聯系呢？ 我們做設計時，同樣也是先調研和參考大量同類建築的案例，積累到一定量以後，才能自己動手開始做設計。了解了這一點，便可以設想一種利用機器學習來輔助建築設計的思路：先讓程序學習以前的建築設計方案，然後程序就能自己去做設計了！

這篇2010年的論文 Computer-generated residential building layouts 可以說就是以上思路的典範。作者自稱「使用數據驅動的方式設計了能自動創建視覺效果非常好的建築布局的工具」，但我覺得論文的質量是遠遠超過了這樣謙遜的描述，因為論文實現的思路極大程度借鑒了現實中建築師開展設計工作的流程，而且用了貝葉斯網路這個非常漂亮的數學模型描述了一個建築program在空間中的分布，而貝葉斯網路的訓練數據全部來自真實的建築師的設計方案。個人認為用機器學習的思路去處理建築布局問題相比於過去十年來Shape Grammar的那種Proceral Modeling的思路來得更為正確。

論文是怎麼展開的呢？首先，作者總結了前人工作，說明了以前基於窮舉的演算法都行不通，要在3D空間中去窮舉這么復雜的空間分配問題就和猴子隨意敲鍵盤得到一部莎士比亞作品的難度差不多。接著作者又批判了上個世紀90年代Muller搞的Shape Grammar那一套也不行，因為Shape Grammar就是圖形語法，我們知道，編程語言是是基於有限規則的語法集生成的，而建築設計中這樣的規則條款很難形式化描述，而且會傾向於讓語法數量變得無窮多。順帶一提，幾十年前計算機科學家在攻克語音識別和機器翻譯難題的時候，也是認為自然語言是完全基於有限的規則生成的，但後來才發現行不通，直到後來改成基於統計的方法進行研究後，才有了突破性進展。 那麼shape grammar不適合建築設計的另外一點在於，建築設計不是玩弄圖形變換的游戲，每一個建築空間都有基於功能，心理和效用等因素的考慮。之前也有過用shape grammar分析賴特壁爐式住宅的語法規則的論文，但是應用范圍實在太窄。所以這條路是走不通的。

論文作者認為，做方案，一定要基於人的舒適和心理需求，習慣和社會關系等因素，將他們綜合考量後才會有比較合理的結果。例如，房間的形狀最好是凸包而不要做成凹的，因為在採光上，傢具擺放和視線上方正規整的形體都更優；建築各個功能要形成開放性 - 私密性的梯度，因為這正反映了建築被使用的方式。 為了研究更好的方法，作者去找到了一家建築事務所的建築師們向他們咨詢職業建築師的工作方式，得到了一個特別有用的結論：建築師在初期和客戶咨詢後，在畫平面的詳圖之前，一般都會用泡泡圖來思考問題，而泡泡圖則反映了一個建築方案高度濃縮的信息，包括私密性，房間鄰接關系，採光，業主喜好和文化習俗。

作者最後提到，准備把這個東西運用到更多的建築類型上，例如辦公樓等。如果這玩意兒成熟，再也不用擔心建築師不失業了，偶也！

最後我再說說對這玩意的評價吧。最近幾十年知識工作的自動化簡直如火如荼地吹遍天南地北的各個行業，許多人都擔心低端的勞動職位會不會被取代，例如駕駛汽車，快遞，寫新聞稿，翻譯，速記等等等，這種擔心真的不是毫無理由啊！當優雅簡潔的數學模型遇到計算機這個可以暴力計算的機器，結合起來就創造了一類又一類可成規模復制的智能機器，想想還是讓人後怕的。不過也不用太擔心就是，建築設計行業人所佔的因素還是很大的，很多時候甲方找人做設計，都是看重設計師本身，出了專業能力外，溝通，人格魅力，背景，執照等的背書也是很重要的，不過未來這種建築界持續了很久的行業模式會不會被顛覆就不得而知了。另外，程序也需要吃許多訓練數據才能提高自己的設計修養，在目前來看建築設計的各位同行都把自己搜集的方案當成寶一樣藏著，數據量的大而全也很難保證，不知道以後BIM的普及會不會讓這方面得到改善。