የማሽን መማሪያ ሞዴሎችን ለማዘጋጀት በጣም የታወቁ መሳሪያዎች አንዱ TensorFlow ነው. በተለያዩ ኢንዱስትሪዎች ውስጥ በብዙ መተግበሪያዎች ውስጥ TensorFlow እንጠቀማለን።
በዚህ ልጥፍ ላይ፣ አንዳንድ የ TensorFlow AI ሞዴሎችን እንመረምራለን። ስለዚህ የማሰብ ችሎታ ያላቸው ስርዓቶችን መፍጠር እንችላለን.
እንዲሁም TensorFlow AI ሞዴሎችን ለመፍጠር በሚያቀርባቸው ማዕቀፎች ውስጥ እናልፋለን። ስለዚህ እንጀምር!
ስለ TensorFlow አጭር መግቢያ
የGoogle TensorFlow ክፍት ምንጭ ነው። የማሽን መማር የሶፍትዌር ጥቅል. ለስልጠና እና ለማሰማራት የሚረዱ መሳሪያዎችን ያካትታል የማሽን መማሪያ ሞዴሎች በብዙ መድረኮች ላይ. እና መሳሪያዎች, እንዲሁም ለጥልቅ ትምህርት ድጋፍ እና የነርቭ ኔትወርኮች.
TensorFlow ገንቢዎች ለተለያዩ መተግበሪያዎች ሞዴሎችን እንዲፈጥሩ ያስችላቸዋል። ይህ የምስል እና የድምጽ ማወቂያን፣ የተፈጥሮ ቋንቋን ሂደት እና ያካትታል የኮምፒተር ራዕይ. ሰፊ የማህበረሰብ ድጋፍ ያለው ጠንካራ እና የሚለምደዉ መሳሪያ ነው።
TensorFlowን በኮምፒተርዎ ላይ ለመጫን በትእዛዝ መስኮትዎ ውስጥ መተየብ ይችላሉ።
pip install tensorflow
AI ሞዴሎች እንዴት ይሰራሉ?
AI ሞዴሎች የኮምፒተር ስርዓቶች ናቸው. ስለዚህም የሰው ልጅ የማሰብ ችሎታን የሚሹ ተግባራትን እንዲያከናውኑ ታስቦ ነው። የምስል እና የንግግር እውቅና እና የውሳኔ አሰጣጥ የእንደዚህ አይነት ስራዎች ምሳሌዎች ናቸው. የ AI ሞዴሎች የተገነቡት በትላልቅ የውሂብ ስብስቦች ላይ ነው።
ትንበያዎችን ለማመንጨት እና ድርጊቶችን ለማከናወን የማሽን መማሪያ ቴክኒኮችን ይጠቀማሉ። በራሳቸው የሚሽከረከሩ አውቶሞቢሎች፣ የግል ረዳቶች እና የህክምና ምርመራዎችን ጨምሮ በርካታ አጠቃቀሞች አሏቸው።
ስለዚህ፣ ታዋቂዎቹ TensorFlow AI ሞዴሎች ምንድናቸው?
ResNet
ResNet፣ ወይም Residual Network፣ የኮንቮሉሽን አይነት ነው። የነርቭ ኔትወርክ. ለምስል ምደባ እና እንጠቀማለን ነገር መለየት. እ.ኤ.አ. በ 2015 በማይክሮሶፍት ተመራማሪዎች የተሰራ ነው ። በተጨማሪም ፣ በዋነኝነት የሚለየው ቀሪ ግንኙነቶችን በመጠቀም ነው።
እነዚህ ግንኙነቶች አውታረ መረቡ በተሳካ ሁኔታ እንዲማር ያስችላሉ. ስለዚህ መረጃ በንብርብሮች መካከል በነፃነት እንዲፈስ በማድረግ ይቻላል.
ResNet Keras API በመጠቀም በ TensorFlow ውስጥ ሊተገበር ይችላል። የነርቭ አውታረ መረቦችን ለመፍጠር እና ለማሰልጠን ከፍተኛ ደረጃ ፣ ለተጠቃሚ ምቹ የሆነ በይነገጽ ይሰጣል።
ResNetን በመጫን ላይ
TensorFlowን ከጫኑ በኋላ የResNet ሞዴል ለመፍጠር Keras API ን መጠቀም ይችላሉ። TensorFlow የ Keras ኤፒአይን ያካትታል፣ ስለዚህ በተናጠል መጫን አያስፈልግዎትም።
የResNet ሞዴሉን ከ tensorflow.keras.applications ማስመጣት ይችላሉ። እና፣ ለመጠቀም የResNet ሥሪትን መምረጥ ትችላለህ፣ ለምሳሌ፡-
from tensorflow.keras.applications import ResNet50
እንዲሁም ለResNet ቀድሞ የሰለጠኑ ክብደቶችን ለመጫን የሚከተለውን ኮድ መጠቀም ይችላሉ።
model = ResNet50(weights='imagenet')
ንብረቱን ከመረጡት_ቶፕ=ሐሰት፣ በተጨማሪ ሞዴሉን ለተጨማሪ ስልጠና ወይም ብጁ የውሂብ ስብስብዎን ለማስተካከል ሊጠቀሙበት ይችላሉ።
model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
የ ResNet የአጠቃቀም ቦታዎች
ResNet በምስል ምደባ ውስጥ ጥቅም ላይ ሊውል ይችላል። ስለዚህ, ፎቶዎችን ወደ ብዙ ቡድኖች መከፋፈል ይችላሉ. በመጀመሪያ የResNet ሞዴልን በትልቅ የውሂብ ስብስብ ላይ ምልክት የተደረገባቸው ፎቶዎች ማሰልጠን ያስፈልግዎታል። ከዚያ, ResNet ቀደም ሲል የማይታዩ ምስሎችን ክፍል ሊተነብይ ይችላል.
ResNet እንዲሁ በፎቶዎች ውስጥ ያሉ ነገሮችን ፈልጎ ማግኘት ላሉ ነገሮች ፍለጋ ስራ ላይ ሊውል ይችላል። በመጀመሪያ የሬስኔት ሞዴልን በማሰልጠን በእቃ መያዢያ ሳጥኖች በተሰየሙ የፎቶዎች ስብስብ ላይ በማሰልጠን ማድረግ እንችላለን። ከዚያ፣ በአዲስ ምስሎች ውስጥ ያሉ ነገሮችን ለመለየት የተማረውን ሞዴል መተግበር እንችላለን።
ResNetን ለትርጉም ክፍፍል ስራዎች ልንጠቀምበት እንችላለን። ስለዚህ፣ በምስል ውስጥ ለእያንዳንዱ ፒክሴል የትርጉም መለያ ልንሰጥ እንችላለን።
ከተመሰረተበት
መነሳሳት በምስሎች ውስጥ ነገሮችን ለይቶ ማወቅ የሚችል ጥልቅ የመማሪያ ሞዴል ነው። ጎግል እ.ኤ.አ. በ2014 አሳውቋል፣ እና የተለያዩ መጠን ያላቸውን ምስሎች ብዙ ንብርብሮችን በመጠቀም ይመረምራል። በ Inception፣ የእርስዎ ሞዴል ምስሉን በትክክል መረዳት ይችላል።
TensorFlow የኢንሴሽን ሞዴሎችን ለመፍጠር እና ለማሄድ ጠንካራ መሳሪያ ነው። የነርቭ መረቦችን ለማሰልጠን ከፍተኛ ደረጃ እና ለተጠቃሚ ምቹ የሆነ በይነገጽ ያቀርባል. ስለዚህ፣ Inception ለገንቢዎች ለማመልከት በጣም ቀላል የሆነ ሞዴል ነው።
የመጫን ጅምር
ይህንን የኮድ መስመር በመተየብ ኢንሴሽንን መጫን ይችላሉ።
from tensorflow.keras.applications import InceptionV3
የመግቢያ ቦታዎች አጠቃቀም
የኢንሴሽን ሞዴል በተጨማሪ ባህሪያትን ለማውጣት ስራ ላይ ሊውል ይችላል። ጥልቀት ያለው ትምህርት እንደ Generative Adversarial Networks (GANs) እና Autoencoders ያሉ ሞዴሎች።
የተወሰኑ ባህሪያትን ለመለየት የኢንሴሽን ሞዴል በጥሩ ሁኔታ የተስተካከለ ሊሆን ይችላል። እንዲሁም፣ እንደ ኤክስ ሬይ፣ ሲቲ ወይም ኤምአርአይ ባሉ የህክምና ምስል አፕሊኬሽኖች ላይ አንዳንድ እክሎችን ልንመረምር እንችላለን።
የምስሉን ጥራት ለመፈተሽ የኢንሴሽን ሞዴል በጥሩ ሁኔታ ሊስተካከል ይችላል። ምስሉ ደብዛዛ ወይም ጥርት ያለ መሆኑን መገምገም እንችላለን።
ጅምር ለቪዲዮ ትንተና ስራዎች እንደ የነገር ክትትል እና የድርጊት ፍለጋ ስራ ላይ ሊውል ይችላል።
ቤርተር
BERT (Bidirectional Encoder Representations from Transformers) በGoogle የተሰራ ቅድመ-የሰለጠነ የነርቭ ኔትወርክ ሞዴል ነው። ለተለያዩ የተፈጥሮ ቋንቋ ማቀነባበሪያ ስራዎች ልንጠቀምበት እንችላለን። እነዚህ ተግባራት ከጽሑፍ ምደባ እስከ ጥያቄዎች መልስ ሊለያዩ ይችላሉ።
BERT የተገነባው በትራንስፎርመር አርክቴክቸር ነው። ስለዚህ የቃላት ግኑኝነቶችን በሚረዱበት ጊዜ እጅግ በጣም ብዙ የጽሑፍ ግብዓት ማስተናገድ ይችላሉ።
BERT በ TensorFlow መተግበሪያዎች ውስጥ ሊያካትቱት የሚችሉት አስቀድሞ የሰለጠነ ሞዴል ነው።
TensorFlow ቀድሞ የሰለጠነ የ BERT ሞዴል እና እንዲሁም BERTን በተለያዩ ስራዎች ላይ በጥሩ ሁኔታ ለማስተካከል እና መተግበርን ያካትታል። ስለዚህ፣ የ BERTን የተራቀቀ የተፈጥሮ ቋንቋ የማቀናበር ችሎታዎችን በቀላሉ ማዋሃድ ይችላሉ።
BERTን በመጫን ላይ
የፒፕ ጥቅል አስተዳዳሪን በመጠቀም BERTን በ TensorFlow ውስጥ መጫን ይችላሉ፡
pip install tensorflow-gpu==2.2.0 # This installs TensorFlow with GPU support
pip install transformers==3.0.0 # This installs the transformers library, which includes BERT
TensorFlow's CPU ስሪት በቀላሉ Tensorflow-Gpuን በ tensorflow በመተካት ሊጫን ይችላል።
ቤተ መፃህፍቱን ከጫኑ በኋላ የ BERT ሞዴሉን ማስመጣት እና ለተለያዩ NLP ስራዎች ሊጠቀሙበት ይችላሉ። በጽሑፍ ምደባ ችግር ላይ የ BERT ሞዴልን በጥሩ ሁኔታ ለማስተካከል አንዳንድ የናሙና ኮድ እዚህ አለ፣ ለምሳሌ፡-
from transformers import BertForSequenceClassification
# Load the pre-trained BERT model
model = BertForSequenceClassification.from_pretrained("bert-base-uncased")
# Fine-tune the model on your text classification task
model.fit(training_data, labels)
# Make predictions on new data
predictions = model.predict(test_data)
የ BERT የአጠቃቀም ቦታዎች
የጽሑፍ ምደባ ስራዎችን ማከናወን ይችላሉ. ለምሳሌ, ማሳካት ይቻላል ስሜት ትንተና፣ የርዕስ ምድብ እና የአይፈለጌ መልእክት ፍለጋ።
BERT አላት የተሰየመ አካል ዕውቅና (NER) ባህሪ. ስለዚህ፣ እንደ ግለሰቦች እና ድርጅቶች ያሉ አካላትን በጽሁፍ ማወቅ እና መለያ መስጠት ይችላሉ።
እንደ አንድ የፍለጋ ሞተር ወይም የቻትቦት መተግበሪያ ባሉ በተወሰነ አውድ ላይ በመመስረት ጥያቄዎችን ለመመለስ ጥቅም ላይ ሊውል ይችላል።
የማሽን ትርጉም ትክክለኛነትን ለመጨመር BERT ለቋንቋ ትርጉም ጠቃሚ ሊሆን ይችላል።
BERT ለጽሑፍ ማጠቃለያ ጥቅም ላይ ሊውል ይችላል። ስለዚህ፣ ረጅም የጽሑፍ ሰነዶችን አጭር፣ ጠቃሚ ማጠቃለያዎችን ሊያቀርብ ይችላል።
DeepVoice
የባይዱ ምርምር DeepVoice ፈጠረ፣ ሀ ጽሑፍ-ወደ-ንግግር የማዋሃድ ሞዴል.
በ TensorFlow ማዕቀፍ የተፈጠረ እና በትልቅ የድምጽ ውሂብ ስብስብ ላይ የሰለጠነ ነው።
DeepVoice ከጽሑፍ ግብዓት ድምጽ ያመነጫል። DeepVoice ጥልቅ የመማር ዘዴዎችን በመጠቀም ያስችላል። በነርቭ አውታር ላይ የተመሰረተ ሞዴል ነው.
ስለዚህ፣ የግቤት መረጃን ይመረምራል እና እጅግ በጣም ብዙ የተገናኙ አንጓዎችን በመጠቀም ንግግር ያመነጫል።
DeepVoiceን በመጫን ላይ
!pip install deepvoice
በአማራጭ;
# Clone the DeepVoice repository
!git clone https://github.com/r9y9/DeepVoice3_pytorch.git
%cd DeepVoice3_pytorch
!pip install -r requirements.txt
የDeepVoice's Ares አጠቃቀም
እንደ Amazon Alexa እና Google Assistant ላሉ የግል ረዳቶች ንግግር ለማዘጋጀት DeepVoiceን መጠቀም ትችላለህ።
እንዲሁም፣ DeepVoice እንደ ስማርት ስፒከሮች እና የቤት አውቶሜሽን ስርዓቶች ያሉ ለድምፅ-የነቁ መሳሪያዎች ንግግር ለማዘጋጀት ስራ ላይ ሊውል ይችላል።
DeepVoice ለንግግር ሕክምና መተግበሪያዎች ድምጽ ሊፈጥር ይችላል። የንግግር ችግር ያለባቸው ታካሚዎች ንግግራቸውን ለማሻሻል ሊረዳቸው ይችላል.
DeepVoice እንደ ኦዲዮ መጽሐፍት እና የቋንቋ መማሪያ መተግበሪያዎች ንግግር ለመፍጠር ጥቅም ላይ ሊውል ይችላል።
መልስ ይስጡ