يتكون إطار عمل التعلم العميق من مجموعة من الواجهات والمكتبات والأدوات لتحديد نماذج التعلم الآلي وتدريبها بسرعة ودقة.
نظرًا لأن التعلم العميق يستخدم قدرًا كبيرًا من البيانات غير المنظمة وغير النصية ، فأنت بحاجة إلى إطار عمل يتحكم في التفاعل بين "الطبقات" ويجعل تطوير النموذج سريعًا من خلال التعلم من بيانات الإدخال واتخاذ قرارات مستقلة.
إذا كنت مهتمًا بالتعلم عن التعلم العميق في عام 2021 ، ففكر في استخدام أحد الأطر الموضحة أدناه. تذكر أن تختار واحدة من شأنها أن تساعدك على تحقيق أهدافك ورؤيتك.
1. TensorFlow
عندما نتحدث عن التعلم العميق ، TensorFlow غالبًا ما يكون الإطار الأول المذكور. يتمتع هذا الإطار بشعبية كبيرة ، ولا تستخدمه Google فقط - الشركة المسؤولة عن إنشائها - ولكن أيضًا من قبل شركات أخرى مثل Dropbox و eBay و Airbnb و Nvidia والعديد من الشركات الأخرى.
يمكن استخدام TensorFlow لتطوير واجهات برمجة تطبيقات عالية ومنخفضة المستوى ، مما يسمح لك بتشغيل التطبيقات على أي نوع من الأجهزة تقريبًا. على الرغم من أن Python هي لغتها الأساسية ، يمكن الوصول إلى واجهة Tensoflow والتحكم فيها باستخدام لغات برمجة أخرى مثل C ++ و Java و Julia و JavaScript.
نظرًا لكونه مفتوح المصدر ، يتيح لك TensorFlow إجراء العديد من عمليات الدمج مع واجهات برمجة التطبيقات الأخرى والحصول على دعم سريع وتحديثات من المجتمع. يتيح لك اعتمادها على "الرسوم البيانية الثابتة" لإجراء العمليات الحسابية إجراء حسابات فورية أو حفظ العمليات للوصول إليها في وقت آخر. هذه الأسباب ، بالإضافة إلى إمكانية "مشاهدة" تطور شبكتك العصبية من خلال TensorBoard ، تجعل TensorFlow الإطار الأكثر شيوعًا للتعلم العميق.
الميزات الرئيسية
- المصدر المفتوح
- مرونة
- التصحيح السريع
2. PyTorch
PyTorch هو إطار عمل تم تطويره بواسطة Facebook لدعم تشغيل خدماته. منذ أن أصبح مفتوح المصدر ، تم استخدام هذا الإطار من قبل شركات أخرى غير Facebook ، مثل Salesforce و Udacity.
يعمل إطار العمل هذا على الرسوم البيانية المحدثة ديناميكيًا ، مما يسمح لك بإجراء تغييرات على بنية مجموعة البيانات الخاصة بك أثناء معالجتها. باستخدام PyTorch ، من الأسهل تطوير وتدريب شبكة عصبية ، حتى بدون أي خبرة في التعلم العميق.
كونها مفتوحة المصدر وتعتمد على Python ، يمكنك إجراء تكاملات بسيطة وسريعة مع PyTorch. إنه أيضًا إطار عمل بسيط للتعلم والاستخدام والتصحيح. إذا كانت لديك أسئلة ، فيمكنك الاعتماد على الدعم الكبير والتحديثات من كلا المجتمعين - مجتمع Python ومجتمع PyTorch.
الميزات الرئيسية
- سهل التعلم
- يدعم GPU و CPU
- مجموعة غنية من واجهات برمجة التطبيقات لتوسيع المكتبات
3. أباتشي MXNet
نظرًا لقابلية التوسع العالية والأداء العالي واستكشاف الأخطاء وإصلاحها السريع ودعم GPU المتقدم ، تم إنشاء هذا الإطار بواسطة Apache لاستخدامه في المشاريع الصناعية الكبيرة.
تتضمن MXNet واجهة Gluon التي تتيح للمطورين من جميع مستويات المهارة القيام بذلك ابدأ بالتعلم العميق على السحابة وعلى الأجهزة المتطورة وعلى تطبيقات الأجهزة المحمولة. في بضعة أسطر من كود Gluon ، يمكنك بناء انحدار خطي وشبكات تلافيفية و LSTMs المتكررة من أجل كشف الكائنوالتعرف على الكلام والتوصية والتخصيص.
يمكن استخدام MXNet على أجهزة مختلفة وهو مدعوم من قبل عدة أجهزة لغات البرمجة مثل Java و R و JavaScript و Scala و Go. على الرغم من أن عدد المستخدمين والأعضاء في مجتمعها منخفض ، فإن MXNet لديها وثائق مكتوبة جيدًا وإمكانية كبيرة للنمو ، خاصة الآن بعد أن اختارت Amazon هذا الإطار كأداة أساسية للتعلم الآلي على AWS.
الميزات الرئيسية
- 8 روابط لغة
- التدريب الموزع ، ودعم أنظمة وحدات المعالجة المركزية المتعددة ووحدات معالجة الرسومات المتعددة
- واجهة أمامية هجينة ، مما يسمح بالتبديل بين الوضعين الضروري والرمزي
4. مجموعة أدوات Microsoft المعرفية
إذا كنت تفكر في تطوير تطبيقات أو خدمات تعمل على Azure (خدمات سحابية من Microsoft) ، فإن مجموعة أدوات Microsoft Cognitive Toolkit هي إطار العمل الذي تختاره لمشاريع التعلم العميق الخاصة بك. هذا مفتوح المصدر ، ومدعوم من قبل لغات البرمجة مثل Python و C ++ و C # و Java وغيرها. تم تصميم إطار العمل هذا "للتفكير مثل الدماغ البشري" ، بحيث يمكنه معالجة كميات كبيرة من البيانات غير المهيكلة ، مع تقديم تدريب سريع وبنية بديهية.
من خلال تحديد هذا الإطار - نفس الإطار الموجود خلف Skype و Xbox و Cortana - ستحصل على أداء جيد من تطبيقاتك وقابلية التوسع والتكامل البسيط مع Azure. ومع ذلك ، عند مقارنتها بـ TensorFlow أو PyTorch ، يتم تقليل عدد الأعضاء في مجتمعها ودعمها.
يقدم الفيديو التالي مقدمة كاملة وأمثلة للتطبيق:
الميزات الرئيسية
- وثائق واضحة
- دعم من فريق Microsoft
- تصور الرسم البياني المباشر
5. Keras
مثل PyTorch ، تعد Keras مكتبة قائمة على Python للمشاريع كثيفة البيانات. تعمل واجهة برمجة تطبيقات keras على مستوى عالٍ وتسمح بالتكامل مع واجهات برمجة التطبيقات منخفضة المستوى مثل TensorFlow و Theano و Microsoft Cognitive Toolkit.
تتمثل بعض مزايا استخدام keras في بساطته في التعلم - كونه إطار العمل الموصى به للمبتدئين في التعلم العميق ؛ سرعة انتشاره الحصول على دعم كبير من مجتمع Python ومن مجتمعات الأطر الأخرى التي تم دمجها معها.
يحتوي Keras على تطبيقات مختلفة لـ اللبنات الأساسية للشبكات العصبية مثل الطبقات والوظائف الموضوعية ووظائف التنشيط والمحسنات الرياضية. يتم استضافة رمزه على GitHub وهناك منتديات وقناة دعم Slack. بالإضافة إلى دعم المعيار الشبكات العصبية، تقدم Keras دعمًا للشبكات العصبية التلافيفية والشبكات العصبية المتكررة.
يسمح Keras نماذج التعلم العميق يتم إنشاؤه على الهواتف الذكية على كل من iOS و Android ، أو على Java Virtual Machine ، أو على الويب. كما يسمح باستخدام التدريب الموزع لنماذج التعلم العميق على مجموعات من وحدات معالجة الرسومات (GPU) ووحدات معالجة الموتر (TPU).
الميزات الرئيسية
- النماذج المدربة مسبقًا
- دعم خلفية متعددة
- سهل الاستخدام ودعم المجتمع الكبير
6. أبل كور ML
تم تطوير Core ML بواسطة Apple لدعم نظامها الإيكولوجي - IOS و Mac OS و iPad OS. تعمل واجهة برمجة التطبيقات الخاصة به بمستوى منخفض ، مما يستفيد بشكل جيد من موارد وحدة المعالجة المركزية ووحدة معالجة الرسومات ، مما يسمح للنماذج والتطبيقات التي تم إنشاؤها للاستمرار في العمل حتى بدون اتصال بالإنترنت ، مما يقلل من "تأثير الذاكرة" واستهلاك الطاقة للجهاز.
الطريقة التي يحقق بها Core ML هذا ليس بالضبط من خلال إنشاء مكتبة أخرى للتعلم الآلي تم تحسينها للعمل على أجهزة iphones / ipads. بدلاً من ذلك ، يشبه Core ML مترجمًا يأخذ مواصفات النموذج والمعلمات المدربة المعبر عنها ببرامج التعلم الآلي الأخرى ويحولها إلى ملف يصبح موردًا لتطبيق iOS. يحدث هذا التحويل إلى نموذج Core ML أثناء تطوير التطبيق ، وليس في الوقت الفعلي أثناء استخدام التطبيق ، ويتم تسهيله بواسطة مكتبة coremltools python.
يوفر Core ML أداءً سريعًا مع تكامل سهل لـ آلة التعلم النماذج في التطبيقات. إنه يدعم التعلم العميق مع أكثر من 30 نوعًا من الطبقات بالإضافة إلى أشجار القرار وآلات الدعم وطرق الانحدار الخطي ، وكلها مبنية على أعلى التقنيات منخفضة المستوى مثل Metal و Accelerate.
الميزات الرئيسية
- من السهل دمجه في التطبيقات
- الاستخدام الأمثل للموارد المحلية ، دون الحاجة إلى الوصول إلى الإنترنت
- الخصوصية: لا يجب أن تترك البيانات الجهاز
7. أونكس
آخر إطار عمل في قائمتنا هو ONNX. انبثق هذا الإطار عن تعاون بين Microsoft و Facebook ، بهدف تبسيط عملية نقل وبناء النماذج بين مختلف الأطر والأدوات وأوقات التشغيل والمترجمين.
يحدد ONNX نوع ملف شائع يمكن تشغيله على أنظمة أساسية متعددة ، مع الاستفادة من مزايا واجهات برمجة التطبيقات منخفضة المستوى مثل تلك من Microsoft Cognitive Toolkit و MXNet و Caffe و (باستخدام المحولات) Tensorflow و Core ML. المبدأ الكامن وراء ONNX هو تدريب نموذج على مكدس وتنفيذه باستخدام الاستدلالات والتنبؤات الأخرى.
مؤسسة LF AI Foundation ، وهي منظمة فرعية تابعة لمؤسسة Linux Foundation ، هي منظمة مكرسة لبناء نظام بيئي لدعمه المصدر المفتوح الابتكار في الذكاء الاصطناعي (AI) والتعلم الآلي (ML) والتعلم العميق (DL). أضاف ONNX كمشروع على مستوى الدراسات العليا في 14 نوفمبر 2019. واعتبر هذا الانتقال لـ ONNX تحت مظلة مؤسسة LF AI بمثابة علامة بارزة في إنشاء ONNX كمعيار تنسيق مفتوح محايد للبائع.
حديقة حيوان ONNX Model Zoo هي عبارة عن مجموعة من النماذج المدربة مسبقًا في التعلم العميق والمتاحة بتنسيق ONNX. لكل نموذج هناك دفاتر جوبيتر للتدريب النموذجي وأداء الاستدلال باستخدام النموذج المدرب. تمت كتابة دفاتر الملاحظات بلغة Python وتحتوي على روابط إلى ملف مجموعة بيانات التدريب والمراجع إلى الوثيقة العلمية الأصلية التي تصف بنية النموذج.
الميزات الرئيسية
- إمكانية التشغيل البيني الإطار
- تحسين الأجهزة
وفي الختام
هذا ملخص لأفضل أطر عمل التعلم العميق. هناك عدة أطر لهذا الغرض ، مجانية أو مدفوعة. لاختيار الأفضل لمشروعك ، تعرف أولاً على النظام الأساسي الذي ستقوم بتطوير تطبيقك من أجله.
الأطر العامة مثل TensorFlow و Keras هي أفضل الخيارات للبدء. ولكن إذا كنت بحاجة إلى استخدام نظام التشغيل أو مزايا خاصة بالجهاز ، فقد يكون Core ML و Microsoft Cognitive Toolkit هما الخياران الأفضل.
هناك أطر عمل أخرى تستهدف أجهزة Android والأجهزة الأخرى وأغراض محددة لم يتم ذكرها في هذه القائمة. إذا كانت المجموعة الأخيرة تهمك ، فنحن نقترح إجراء بحث عن معلوماتهم على Google أو مواقع التعلم الآلي الأخرى.
اترك تعليق