1. Keras：Keras是一个高档神经网络API，它运转在TensorFlow之上，但也能够在Theano上运转。Keras在R中有一个接口，称为`keras`，它答运用户轻松构建和练习杂乱的神经网络模型。

2. TensorFlow：TensorFlow是一个由Google开发的开源软件库，用于数据流编程和不同类型的核算。R中的`tensorflow`包供给了对TensorFlow的接口，答运用户在R中直接运用TensorFlow进行深度学习。

3. MXNet：MXNet是一个由Apache基金会支撑的深度学习结构，它支撑灵敏的编程模型和高效的核算。R中的`mxnet`包供给了对MXNet的接口。

4. xgboost：尽管xgboost首要用于梯度提高树（GBM）的构建，但它也能够用于深度学习，尤其是在处理大规模数据集时。

5. DeepLearning：这是一个R包，它供给了构建和练习深度学习模型的根本东西。

6. h2o：H2O是一个开源的机器学习渠道，它供给了包含深度学习在内的多种机器学习算法。R中的`h2o`包供给了对H2O的接口。

7. neuralnet：这是一个相对简略的神经网络包，它供给了构建和练习前馈神经网络的根本功用。

8. DMwR2e：这是一个数据发掘的包，它包含了一些深度学习相关的功用，如主动编码器和卷积神经网络。

9. deepnet：这是一个供给多种深度学习模型的包，包含前馈神经网络、卷积神经网络和循环神经网络。

10. caret：尽管caret首要用于模型练习和猜测，但它也支撑一些深度学习模型，如xgboost和h2o。

这些库和包为R言语用户供给了丰厚的深度学习东西和功用，使得在R中进行深度学习成为或许。与专门为深度学习规划的言语（如Python）比较，R在深度学习方面的功用和灵敏性或许略有缺乏。因而，关于大规模或杂乱的深度学习使命，Python或许是一个更好的挑选。

R言语深度学习入门攻略

一、R言语简介

R言语是一种专门用于核算核算和图形表明的编程言语。它具有丰厚的数据剖析和可视化功用，能够处理各种类型的数据，包含数值、文本和图画等。R言语具有巨大的社区和丰厚的包（packages），使得它在数据剖析范畴具有极高的灵敏性和可扩展性。

二、R言语深度学习根底

深度学习是机器学习的一个分支，它经过模仿人脑神经网络的结构和功用，完成对数据的主动学习和特征提取。在R言语中，咱们能够运用一些专门的包来进行深度学习，如Keras、TensorFlow和MXNet等。

三、Keras包在R言语中的运用

Keras是一个高档神经网络API，它能够在R言语中经过keras包进行运用。Keras供给了丰厚的神经网络层和优化器，使得构建和练习深度学习模型变得十分简略。

以下是一个运用Keras包在R言语中构建一个简略的神经网络模型的示例：

```R

library(keras)

创立模型

layer_dense(units = 64, activation = 'relu', input_shape = c(784)) %>%

layer_dense(units = 64, activation = 'relu') %>%

layer_dense(units = 10, activation = 'softmax')

编译模型

loss = 'categorical_crossentropy',

optimizer = optimizer_rmsprop(),

metrics = list('accuracy')

练习模型

x_train, y_train,

epochs = 10,

batch_size = 128,

validation_split = 0.2

四、TensorFlow在R言语中的运用

TensorFlow是一个开源的机器学习结构，它供给了丰厚的东西和库来构建和练习深度学习模型。在R言语中，咱们能够运用tensorflow包来调用TensorFlow的功用。

以下是一个运用tensorflow包在R言语中构建一个简略的卷积神经网络（CNN）模型的示例：

```R

library(tensorflow)

创立模型

tf_layer_conv_2d(filters = 32, kernel_size = c(3, 3), activation = 'relu', input_shape = c(28, 28, 1)) %>%

tf_layer_max_pooling_2d(pool_size = c(2, 2)) %>%

tf_layer_conv_2d(filters = 64, kernel_size = c(3, 3), activation = 'relu') %>%

tf_layer_max_pooling_2d(pool_size = c(2, 2)) %>%

tf_layer_flatten() %>%

tf_layer_dense(units = 128, activation = 'relu') %>%

tf_layer_dense(units = 10, activation = 'softmax')

编译模型

loss = 'categorical_crossentropy',

optimizer = optimizer_adam(),

metrics = list('accuracy')

练习模型

x_train, y_train,

epochs = 10,

batch_size = 128,

validation_split = 0.2

五、R言语深度学习资源与社区

未经允许不得转载：全栈博客园 » r言语深度学习,R言语深度学习入门攻略