Estou escrevendo um pipeline de calibração para aprender os hiperparâmetros das redes neurais para detectar propriedades das seqüências de DNA *. Portanto, isso requer o treinamento de um grande número de modelos no mesmo conjunto de dados com diferentes hiperparâmetros.

Estou tentando otimizar isso para rodar na GPU. Os conjuntos de dados da sequência de DNA são muito pequenos em comparação com os conjuntos de dados de imagem (normalmente 10s ou 100s de pares de bases em 4 'canais' para representar as 4 bases de DNA, A, C, G e T, em comparação com 10.000s de pixels em 3 canais RGB) e, consequentemente, não pode fazer uso total da paralelização em uma GPU, a menos que vários modelos sejam treinados ao mesmo tempo.

Existe uma maneira de fazer isso em nolearn, lasanha ou, na pior das hipóteses, em Theano?

* É baseado noModelo DeepBind para detectar onde os fatores de transcrição se ligam ao DNA, se você estiver interessado.