የጥልቅ ትምህርት ማዕቀፍ የማሽን መማር ሞዴሎችን በፍጥነት እና በትክክል ለመወሰን እና ለማሰልጠን የበይነገጾች፣ ቤተ-መጻሕፍት እና መሳሪያዎች ጥምረት ያካትታል።
ጥልቅ ትምህርት ብዙ ያልተዋቀረ እና ጽሑፋዊ ያልሆኑ መረጃዎችን ስለሚጠቀም በ"ንብርብሮች" መካከል ያለውን መስተጋብር የሚቆጣጠር እና ከግብአት መረጃ በመማር እና በራስ ገዝ ውሳኔዎችን በማድረግ የሞዴል እድገትን ፈጣን የሚያደርግ ማዕቀፍ ያስፈልግዎታል።
በ2021 ስለ ጥልቅ ትምህርት ለመማር ፍላጎት ካሎት፣ ከታች ከተመለከቱት ማዕቀፎች ውስጥ አንዱን ለመጠቀም ያስቡበት። ግቦችዎን እና እይታዎን ለማሳካት የሚረዳዎትን አንዱን መምረጥዎን ያስታውሱ።
1. TensorFlow
ስለ ጥልቅ ትምህርት ሲናገሩ ፣ TensorFlow ብዙውን ጊዜ የተጠቀሰው የመጀመሪያው ማዕቀፍ ነው. በከፍተኛ ደረጃ ተወዳጅነት ያለው, ይህ ማዕቀፍ በ Google ብቻ ጥቅም ላይ አይውልም - ለመፈጠሩ ኃላፊነት ያለው ኩባንያ - ግን እንደ Dropbox, eBay, Airbnb, Nvidia, እና ሌሎች ብዙ ሌሎች ኩባንያዎችም ጭምር ነው.
TensorFlow ከፍተኛ እና ዝቅተኛ ደረጃ ኤፒአይዎችን ለማዘጋጀት ጥቅም ላይ ሊውል ይችላል፣ ይህም በማንኛውም አይነት መሳሪያ ላይ መተግበሪያዎችን እንዲያሄዱ ያስችልዎታል። ፓይዘን ዋና ቋንቋ ቢሆንም፣ የ Tensoflow's በይነገጽ እንደ C++፣ Java፣ Julia እና JavaScript የመሳሰሉ ሌሎች የፕሮግራም ቋንቋዎችን በመጠቀም ሊደረስበት እና ሊቆጣጠር ይችላል።
ክፍት ምንጭ በመሆን፣ TensorFlow ከሌሎች ኤፒአይዎች ጋር ብዙ ውህደት እንዲፈጥሩ እና ከማህበረሰቡ ፈጣን ድጋፍ እና ዝመናዎችን እንዲያገኙ ይፈቅድልዎታል። ለስሌት በ "ስታቲክ ግራፎች" ላይ ያለው ጥገኛ ወዲያውኑ ስሌቶችን እንዲያደርጉ ወይም በሌላ ጊዜ ለመድረስ ስራዎችን እንዲያስቀምጡ ያስችልዎታል. እነዚህ ምክንያቶች በ TensorBoard በኩል የነርቭ አውታረ መረብዎን እድገት "መመልከት" እንደሚችሉ በመጨመር TensorFlow ለጥልቅ ትምህርት በጣም ታዋቂ ማዕቀፍ ያድርጉት።
ቁልፍ ባህሪያት
- ክፍት ምንጭ
- እንደ ሁኔታው
- ፈጣን ማረም
2. ፒቶርች
ፒይቶርች በፌስቡክ የአገልግሎቶቹን አሠራር ለመደገፍ የተዘጋጀ ማዕቀፍ ነው። ክፍት ምንጭ ከሆነ ጀምሮ፣ ይህ ማዕቀፍ ከፌስቡክ ውጪ ባሉ ኩባንያዎች፣ እንደ Salesforce እና Udacity ባሉ ኩባንያዎች ጥቅም ላይ ውሏል።
ይህ ማዕቀፍ በተለዋዋጭ የተሻሻሉ ግራፎችን ይሰራል፣ ይህም የውሂብ ስብስብዎን በሚሰሩበት ጊዜ ለውጦችን እንዲያደርጉ ያስችልዎታል። በPyTorch ምንም እንኳን በጥልቅ ትምህርት ምንም ልምድ ባይኖርም የነርቭ ኔትወርክን ማዳበር እና ማሰልጠን ቀላል ነው።
ክፍት ምንጭ በመሆን እና በፓይዘን ላይ በመመስረት ቀላል እና ፈጣን ውህደቶችን ከፒቶርች ጋር ማድረግ ይችላሉ። እንዲሁም ለመማር፣ ለመጠቀም እና ለማረም ቀላል ማዕቀፍ ነው። ጥያቄዎች ካሉዎት ከሁለቱም ማህበረሰቦች - የፓይዘን ማህበረሰብ እና የፒቶርች ማህበረሰብ ታላቅ ድጋፍ እና ዝመናዎች ላይ መተማመን ይችላሉ።
ቁልፍ ባህሪያት
- መማር ቀላል
- ጂፒዩ እና ሲፒዩ ይደግፋል
- ቤተ-መጻሕፍትን ለማራዘም የበለጸጉ የኤፒአይዎች ስብስብ
3. Apache MX Net
በከፍተኛ ልኬቱ፣ ከፍተኛ አፈጻጸም፣ ፈጣን መላ ፍለጋ እና የላቀ የጂፒዩ ድጋፍ፣ ይህ ማዕቀፍ የተፈጠረው በ Apache በትልልቅ የኢንዱስትሪ ፕሮጀክቶች ውስጥ ጥቅም ላይ እንዲውል ነው።
MXNet የሁሉንም የክህሎት ደረጃ ገንቢዎች የሚፈቅደው የግሉዮን በይነገጽን ያካትታል በጥልቀት መማር ይጀምሩ በደመና፣ በጠርዝ መሳሪያዎች እና በሞባይል መተግበሪያዎች ላይ። በጥቂት የግሉዮን ኮድ መስመሮች ውስጥ፣ መስመራዊ ሪግሬሽን፣ ኮንቮሉሽን ኔትወርኮች እና ተደጋጋሚ LSTMs ለ ነገር መለየት፣ የንግግር ማወቂያ ፣ ምክር እና ግላዊ ማድረግ።
MXNet በተለያዩ መሳሪያዎች ላይ ጥቅም ላይ ሊውል ይችላል እና በብዙ የተደገፈ ነው። የፕሮግራም ቋንቋዎች እንደ Java፣ R፣ JavaScript፣ Scala እና Go ያሉ። ምንም እንኳን በማህበረሰቡ ውስጥ ያሉ የተጠቃሚዎች እና አባላት ቁጥር ዝቅተኛ ቢሆንም፣ MXNet በደንብ የተፃፉ ሰነዶች እና ትልቅ የእድገት አቅም አለው፣ በተለይ አሁን Amazon ይህንን ማዕቀፍ በ AWS ላይ የማሽን መማሪያ መሳሪያ አድርጎ መርጧል።
ቁልፍ ባህሪያት
- 8 የቋንቋ ትስስር
- የተከፋፈለ ስልጠና፣ ባለብዙ ሲፒዩ እና ባለብዙ ጂፒዩ ስርዓቶችን ይደግፋል
- ድብልቅ የፊት-መጨረሻ፣ በግዴታ እና በምሳሌያዊ ሁነታዎች መካከል ለመቀያየር ያስችላል
4. የማይክሮሶፍት የግንዛቤ መሣሪያ ስብስብ
በ Azure (ማይክሮሶፍት ደመና አገልግሎቶች) ላይ የሚሰሩ አፕሊኬሽኖችን ወይም አገልግሎቶችን ለመስራት እያሰቡ ከሆነ፣የማይክሮሶፍት ኮግኒቲቭ Toolkit የጥልቅ ትምህርት ፕሮጄክቶችዎን ለመምረጥ ማዕቀፍ ነው። ይህ ክፍት ምንጭ ነው፣ እና እንደ Python፣ C++፣ C#፣ Java እና ሌሎች ባሉ የፕሮግራሚንግ ቋንቋዎች የተደገፈ ነው። ይህ ማዕቀፍ የተነደፈው “እንደ ሰው አንጎል ለማሰብ” ነው፣ ስለሆነም ብዙ መጠን ያላቸውን ያልተዋቀሩ መረጃዎችን ማካሄድ፣ ፈጣን ስልጠና እና ሊታወቅ የሚችል አርክቴክቸር እያቀረበ ነው።
ይህንን ማዕቀፍ በመምረጥ - ከSkype፣ Xbox እና Cortana በስተጀርባ ያለው ተመሳሳይ - ከመተግበሪያዎችዎ ጥሩ አፈፃፀም ፣ ልኬት እና ቀላል ውህደት ከ Azure ጋር ያገኛሉ። ሆኖም፣ ከ TensorFlow ወይም PyTorch ጋር ሲወዳደር፣ በማህበረሰቡ ውስጥ ያሉ የአባላት ብዛት እና ድጋፍ ቀንሷል።
የሚከተለው ቪዲዮ የተሟላ የመግቢያ እና የመተግበሪያ ምሳሌዎችን ይሰጣል።
ቁልፍ ባህሪያት
- ግልፅ ሰነድ
- የማይክሮሶፍት ቡድን ድጋፍ
- የቀጥታ ግራፍ እይታ
5. ኬራሎች
ልክ እንደ ፒይቶርች፣ Keras ውሂብን ለሚጨምሩ ፕሮጀክቶች በፓይዘን ላይ የተመሰረተ ቤተ-መጽሐፍት ነው። የ keras API በከፍተኛ ደረጃ ይሰራል እና እንደ TensorFlow፣ Theano እና Microsoft Cognitive Toolkit ካሉ ዝቅተኛ ደረጃ ኤ ፒ አይዎች ጋር ውህደቶችን ይፈቅዳል።
keras የመጠቀም አንዳንድ ጥቅሞች ለመማር ቀላልነት ናቸው - በጥልቅ ትምህርት ውስጥ ለጀማሪዎች የሚመከረው ማዕቀፍ መሆን; የእሱ የማሰማራት ፍጥነት; ከፓይቶን ማህበረሰብ እና ከሌሎች ማህበረሰቦች ጋር ከተዋሃዱ ማህበረሰቦች ከፍተኛ ድጋፍ ያለው።
ኬራስ የተለያዩ አተገባበርዎችን ይዟል የነርቭ አውታረ መረቦች ግንባታ ብሎኮች እንደ ንብርብሮች፣ ተጨባጭ ተግባራት፣ የማግበር ተግባራት እና የሂሳብ አመቻቾች። የእሱ ኮድ በ GitHub ላይ ይስተናገዳል እና መድረኮች እና የ Slack ድጋፍ ቻናል አሉ። ለመደበኛ ድጋፍ በተጨማሪ የነርቭ ኔትወርኮች, Keras ለኮንቮሉሽን ነርቭ ኔትወርኮች እና ለተደጋጋሚ የነርቭ አውታረ መረቦች ድጋፍ ይሰጣል.
Keras ይፈቅዳል ጥልቅ የመማሪያ ሞዴሎች በሁለቱም አይኦኤስ እና አንድሮይድ፣ በጃቫ ቨርቹዋል ማሽን ወይም በድሩ ላይ በስማርት ፎኖች የሚመነጩ። እንዲሁም የተከፋፈለ የጥልቅ ትምህርት ሞዴሎችን በግራፊክስ ማቀናበሪያ ዩኒቶች (ጂፒዩ) እና በ Tensor Processing Units (TPU) ስብስቦች ላይ መጠቀም ያስችላል።
ቁልፍ ባህሪያት
- አስቀድመው የሰለጠኑ ሞዴሎች
- ባለብዙ ጀርባ ድጋፍ
- ለተጠቃሚ ምቹ እና ትልቅ የማህበረሰብ ድጋፍ
6. አፕል ኮር ኤም.ኤል
ኮር ኤም ኤል የተሰራው በአፕል ስርአተ-ምህዳሩን ለመደገፍ ነው - IOS፣ Mac OS እና iPad OS። የእሱ ኤፒአይ በዝቅተኛ ደረጃ ይሰራል፣ የሲፒዩ እና የጂፒዩ ሃብቶችን በአግባቡ ይጠቀማል፣ ይህም ሞዴሎች እና አፕሊኬሽኖች ያለበይነመረብ ግንኙነት እንኳን እንዲሰሩ ያስችላቸዋል፣ ይህም የመሳሪያውን “የማስታወሻ አሻራ” እና የሃይል ፍጆታን ይቀንሳል።
Core ML ይህን የሚያከናውንበት መንገድ በትክክል ሌላ የማሽን መማሪያ ቤተ-መጽሐፍት በመስራት አይደለም ይህም በ iphones/ipads ላይ እንዲሠራ የተመቻቸ ነው። ይልቁንም ኮር ኤም ኤል የሞዴል ዝርዝር መግለጫዎችን እና የሰለጠኑ መለኪያዎችን በሌላ የማሽን መማሪያ ሶፍትዌር የሚገለጽ እና ለ iOS መተግበሪያ መገልገያ ወደሆነ ፋይል የሚቀይር እንደ ማጠናከሪያ ነው። ይህ ወደ Core ML ሞዴል መለወጥ የሚከናወነው በመተግበሪያ ግንባታ ጊዜ ነው፣ መተግበሪያው ጥቅም ላይ በሚውልበት ቅጽበት ሳይሆን በcoremltools python ቤተ-መጽሐፍት አመቻችቷል።
Core ML በቀላል ውህደት ፈጣን አፈጻጸምን ያቀርባል የማሽን መማር ሞዴሎች ወደ መተግበሪያዎች. ጥልቅ ትምህርትን ከ30 በላይ የንብርብሮች አይነት እንዲሁም የውሳኔ ዛፎችን፣ የድጋፍ ቬክተር ማሽኖችን እና መስመራዊ ሪግሬሽን ዘዴዎችን ይደግፋል፣ ሁሉም እንደ ብረት እና አፋጣኝ ባሉ ዝቅተኛ ደረጃ ቴክኖሎጂዎች ላይ የተገነቡ ናቸው።
ቁልፍ ባህሪያት
- ወደ መተግበሪያዎች ለማዋሃድ ቀላል
- ምርጥ የአካባቢ ሀብቶች አጠቃቀም፣ የበይነመረብ መዳረሻ አያስፈልግም
- ግላዊነት፡ ውሂቡ ከመሳሪያው መውጣት የለበትም
7. ONNX
በእኛ ዝርዝር ውስጥ የመጨረሻው ማዕቀፍ ONNX ነው። ይህ ማዕቀፍ የመጣው በማይክሮሶፍት እና በፌስቡክ መካከል ካለው ትብብር ሲሆን ዓላማውም ሞዴሎችን በተለያዩ ማዕቀፎች፣ መሳሪያዎች፣ runtimes እና compiler መካከል የማስተላለፊያ እና የመገንባት ሂደትን ለማቃለል ነው።
ONNX የዝቅተኛ ደረጃ ኤፒአይዎችን ከማይክሮሶፍት ኮግኒቲቭ Toolkit፣ MXNet፣ Caffe እና (መለዋወጫዎችን በመጠቀም) Tensorflow እና Core ML ያሉ ጥቅሞችን እየተጠቀመ በብዙ መድረኮች ላይ ሊሄድ የሚችል የተለመደ የፋይል አይነት ይገልጻል። ከ ONNX በስተጀርባ ያለው መርህ ሞዴልን በመደርደሪያ ላይ ማሰልጠን እና ሌሎች ግምቶችን እና ትንበያዎችን በመጠቀም ተግባራዊ ማድረግ ነው።
የ LF AI ፋውንዴሽን፣ የሊኑክስ ፋውንዴሽን ንዑስ ድርጅት፣ ለመደገፍ ሥነ-ምህዳርን ለመገንባት የተቋቋመ ድርጅት ነው። ክፍት ምንጭ ፈጠራ በአርቴፊሻል ኢንተለጀንስ (AI)፣ የማሽን መማር (ML) እና ጥልቅ ትምህርት (ዲኤል)። ONNXን እንደ የድህረ ምረቃ ፕሮጄክት በ14 ህዳር 2019 ጨምሯል።ይህ በ LF AI ፋውንዴሽን ጥላ ስር የONNX ርምጃ ONNX እንደ አቅራቢ-ገለልተኛ ክፍት-ቅርጸት መስፈርት ሆኖ ለመመስረት እንደ አስፈላጊ ምዕራፍ ታይቷል።
የONNX ሞዴል መካነ አራዊት ቀደም ሲል የሰለጠኑ ሞዴሎች በጥልቅ ትምህርት በONX ቅርጸት ይገኛል። ለእያንዳንዱ ሞዴል አለ የጁፒተር ማስታወሻ ደብተሮች ለሞዴል ስልጠና እና ከሠለጠነ ሞዴል ጋር አፈፃፀም. የማስታወሻ ደብተሮቹ የተጻፉት በፓይዘን ነው እና ወደ አገናኞች ይዘዋል የስልጠና መረጃ ስብስብ እና የአምሳያው አርክቴክቸርን የሚገልጽ የመጀመሪያውን ሳይንሳዊ ሰነድ ማጣቀሻዎች።
ቁልፍ ባህሪያት
- የማዕቀፍ መስተጋብር
- የሃርድዌር ማመቻቸት
መደምደሚያ
ይህ ለምርጥ ማዕቀፎች ማጠቃለያ ነው። ጥልቀት ያለው ትምህርት. ለዚህ ዓላማ ብዙ ማዕቀፎች አሉ ነጻ ወይም የሚከፈል። ለፕሮጀክትዎ ምርጡን ለመምረጥ በመጀመሪያ መተግበሪያዎን ለየትኛው መድረክ እንደሚያዘጋጁ ይወቁ።
እንደ TensorFlow እና Keras ያሉ አጠቃላይ ማዕቀፎች ለመጀመር ምርጥ አማራጮች ናቸው። ነገር ግን ስርዓተ ክወና ወይም መሳሪያ-ተኮር ጥቅማጥቅሞችን መጠቀም ካስፈለገዎት Core ML እና Microsoft Cognitive Toolkit ምርጥ አማራጮች ሊሆኑ ይችላሉ።
በዚህ ዝርዝር ውስጥ ያልተጠቀሱ በአንድሮይድ መሳሪያዎች፣ ሌሎች ማሽኖች እና ልዩ ዓላማዎች ላይ ያተኮሩ ሌሎች ማዕቀፎች አሉ። የኋለኛው ቡድን እርስዎን የሚወድ ከሆነ፣ መረጃቸውን በGoogle ወይም በሌላ የማሽን መማሪያ ጣቢያዎች ላይ እንዲፈልጉ እንመክራለን።
መልስ ይስጡ