A2A. Yo diría (aparte de mi propia biblioteca, aún inédita, sí, hay algunos sesgos en este paréntesis) que Theano es su mejor opción.
Si revisa su documentación, verá que describe cómo configurar cadenas de muestreo, particularmente una muestra de Gibbs, que es un componente clave en el entrenamiento de un RBM a través de la receta de divergencia contrastante =] También hay otras formas de entrenar un RBM , como el enfoque hamiltoniano de Monte Carlo (http://deeplearning.net/tutorial…) también que no es tan malo para hacer en Theano. Hay muchos tutoriales sobre cómo hacer estas cosas en: Aprendizaje profundo
Por supuesto, DL4j ofrece algunos modelos basados en Boltzmann, pero es una biblioteca relacionada con aplicaciones prácticas escalables en la industria que limita algunas funcionalidades. Tensorflow es realmente acerca de la diferenciación automática al final (bueno para entrenar gráficos de cómputo dirigido), que Theano también puede hacer muy bien (ha existido por mucho más tiempo que el producto de Google).
- ¿Cuáles son las diferencias entre los árboles de decisión, los métodos de agrupamiento y las redes neuronales?
- ¿Cuál es la principal diferencia entre los problemas de clasificación y los problemas de regresión en el aprendizaje automático?
- Al entrenar y probar conjuntos de datos, ¿es posible probar un conjunto de datos completamente diferente del conjunto de entrenamiento?
- ¿Existe un sistema de IA más eficiente que el Watson de IBM?
- Cómo lidiar con datos sin patrones en los que necesito realizar un modelo de clasificación
Sin embargo, si decide jugar con autoencoders variacionales, que han demostrado superar a los RBM, entonces Tensorflow podría ser su mejor opción, principalmente porque muchas personas han lanzado implantaciones en ese marco 🙂