我正在处理一个大型数据集（大约 50K 观察 x 11K 特征），我想降低维度。这最终将用于多类分类，所以我想提取对分离数据有用的特征。到目前为止，我已经尝试过 PCA（在线性 SVM 中表现良好，总体准确率约为 70%）、LDA（以约 96% 的非常高的训练准确率执行，但测试准确率约为 61%）和自动编码器（3层密集编码器，分别具有 13000 - 1000 - 136 个单元，其性能与 PCA 大致相同）。我被要求在这个问题中尝试深度信念网络（受限玻尔兹曼机堆栈）。

到目前为止，我预见到两个挑战。首先，我可以使用可以使用的 GPU，但我没有看到神经网络社区的主要参与者（例如 TensorFlow/Keras、PyTorch）对 DBN 的许多实现，这意味着这需要在 CPU 上实现，提出了第二个挑战。其次，实现这一点需要大量内存并且速度会非常慢。这提出了我的问题：在 Python（或 R）中是否有任何 DBN 自动编码器的实现是可信的，并且最好是利用 GPU？如果不是，在 Python 中构建 DBN 的首选方法是什么？我应该使用sklearn吗？