Mae fframwaith ar gyfer dysgu dwfn yn cynnwys cyfuniad o ryngwynebau, llyfrgelloedd ac offer i ddiffinio a hyfforddi modelau Dysgu Peiriant yn gyflym ac yn gywir.
Gan fod dysgu dwfn yn defnyddio llawer iawn o ddata anstrwythuredig, di-destun, mae angen fframwaith arnoch sy'n rheoli'r rhyngweithio rhwng yr “haenau” ac yn gwneud datblygiad model yn gyflym trwy ddysgu o'r data mewnbwn a gwneud penderfyniadau ymreolaethol.
Os oes gennych ddiddordeb mewn dysgu am ddysgu dwfn yn 2021, ystyriwch ddefnyddio un o'r fframweithiau a nodir isod. Cofiwch ddewis un a fydd yn eich helpu i gyflawni eich nodau a gweledigaeth.
1. TensorFlow
Wrth siarad am ddysgu dwfn, TensorFlow yw'r fframwaith cyntaf a grybwyllir yn aml. Yn hynod boblogaidd, mae'r fframwaith hwn nid yn unig yn cael ei ddefnyddio gan Google - y cwmni sy'n gyfrifol am ei greu - ond hefyd gan gwmnïau eraill fel Dropbox, eBay, Airbnb, Nvidia, a chymaint o rai eraill.
Gellir defnyddio TensorFlow i ddatblygu APIs lefel uchel ac isel, sy'n eich galluogi i redeg cymwysiadau ar bron unrhyw fath o ddyfais. Er mai Python yw ei phrif iaith, gellir cyrchu a rheoli rhyngwyneb Tensoflow gan ddefnyddio ieithoedd rhaglennu eraill fel C ++, Java, Julia, a JavaScript.
Gan ei fod yn ffynhonnell agored, mae TensorFlow yn caniatáu ichi wneud sawl integreiddiad ag APIs eraill a chael cefnogaeth gyflym a diweddariadau gan y gymuned. Mae ei ddibyniaeth ar “graffiau statig” ar gyfer cyfrifiant yn caniatáu ichi wneud cyfrifiadau ar unwaith neu arbed gweithrediadau ar gyfer mynediad ar adeg arall. Mae'r rhesymau hyn, yn ogystal â'r posibilrwydd y gallwch “wylio” datblygiad eich rhwydwaith niwral trwy TensorBoard, yn golygu mai TensorFlow yw'r fframwaith mwyaf poblogaidd ar gyfer dysgu dwfn.
Nodweddion allweddol
- Ffynhonnell agor
- Hyblygrwydd
- Dadfygio cyflym
2. PyTorch
Mae PyTorch yn fframwaith a ddatblygwyd gan Facebook i gefnogi gweithrediad ei wasanaethau. Ers dod yn ffynhonnell agored, mae'r fframwaith hwn wedi cael ei ddefnyddio gan gwmnïau heblaw Facebook, fel Salesforce ac Udacity.
Mae'r fframwaith hwn yn gweithredu graffiau wedi'u diweddaru'n ddeinamig, sy'n eich galluogi i wneud newidiadau i saernïaeth eich set ddata wrth i chi ei phrosesu. Gyda PyTorch mae'n symlach datblygu a hyfforddi rhwydwaith niwral, hyd yn oed heb unrhyw brofiad mewn dysgu dwfn.
Gan eich bod yn ffynhonnell agored ac yn seiliedig ar Python, gallwch chi wneud integreiddiadau syml a chyflym i PyTorch. Mae hefyd yn fframwaith syml i ddysgu, defnyddio, a dadfygio. Os oes gennych gwestiynau, gallwch ddibynnu ar y gefnogaeth wych a'r diweddariadau gan y ddwy gymuned - cymuned Python a chymuned PyTorch.
Nodweddion allweddol
- Hawdd i ddysgu
- Yn cefnogi GPU a CPU
- Set gyfoethog o APIs i ymestyn llyfrgelloedd
3. Apache MX Net
Oherwydd ei scalability uchel, perfformiad uchel, datrys problemau cyflym, a chefnogaeth GPU uwch, crëwyd y fframwaith hwn gan Apache i'w ddefnyddio mewn prosiectau diwydiannol mawr.
Mae MXNet yn cynnwys rhyngwyneb Gluon sy'n caniatáu i ddatblygwyr o bob lefel sgiliau wneud hynny dechrau gyda dysgu dwfn ar y cwmwl, ar ddyfeisiau ymyl, ac ar apiau symudol. Mewn ychydig linellau yn unig o god Gluon, gallwch adeiladu atchweliad llinol, rhwydweithiau troellog a LSTMs cylchol ar gyfer canfod gwrthrych, adnabod lleferydd, argymhelliad, a phersonoli.
Gellir defnyddio MXNet ar ddyfeisiau amrywiol ac fe'i cefnogir gan sawl un ieithoedd rhaglennu megis Java, R, JavaScript, Scala a Go. Er bod nifer y defnyddwyr ac aelodau yn ei gymuned yn isel, mae gan MXNet ddogfennaeth wedi'i hysgrifennu'n dda a photensial mawr ar gyfer twf, yn enwedig nawr bod Amazon wedi dewis y fframwaith hwn fel y prif offeryn ar gyfer Machine Learning ar AWS.
Nodweddion allweddol
- 8 rhwymiad iaith
- Hyfforddiant Dosbarthedig, cefnogi systemau aml-CPU ac aml-GPU
- Pen blaen hybrid, sy'n caniatáu newid rhwng moddau hanfodol a symbolaidd
4. Pecyn Cymorth Gwybyddol Microsoft
Os ydych chi'n ystyried datblygu cymwysiadau neu wasanaethau sy'n rhedeg ar Azure (gwasanaethau cwmwl Microsoft), Pecyn Cymorth Gwybyddol Microsoft yw'r fframwaith i'w ddewis ar gyfer eich prosiectau dysgu dwfn. Mae hwn yn ffynhonnell agored, ac fe'i cefnogir gan ieithoedd rhaglennu fel Python, C++, C#, Java, ymhlith eraill. Mae'r fframwaith hwn wedi'i gynllunio i “feddwl fel yr ymennydd dynol”, fel y gall brosesu llawer iawn o ddata anstrwythuredig, wrth gynnig hyfforddiant cyflym a phensaernïaeth reddfol.
Trwy ddewis y fframwaith hwn - yr un un y tu ôl i Skype, Xbox, a Cortana - fe gewch berfformiad da o'ch cymwysiadau, graddadwyedd ac integreiddio syml ag Azure. Fodd bynnag, o gymharu â TensorFlow neu PyTorch, mae nifer yr aelodau yn ei gymuned a chefnogaeth yn cael ei leihau.
Mae'r fideo canlynol yn cynnig cyflwyniad cyflawn ac enghreifftiau cais:
Nodweddion allweddol
- Dogfennaeth glir
- Cefnogaeth gan dîm Microsoft
- Delweddu graff yn uniongyrchol
5. Keras
Fel PyTorch, mae Keras yn llyfrgell Python ar gyfer prosiectau data-ddwys. Mae'r keras API yn gweithio ar lefel uchel ac yn caniatáu integreiddio ag APIs lefel isel fel TensorFlow, Theano, a Microsoft Cognitive Toolkit.
Rhai manteision o ddefnyddio keras yw ei symlrwydd i ddysgu - sef y fframwaith a argymhellir ar gyfer dechreuwyr mewn dysgu dwfn; cyflymder ei ddefnyddio; cael cefnogaeth fawr gan y gymuned python a chan gymunedau’r fframweithiau eraill y mae wedi’i hintegreiddio â nhw.
Keras yn cynnwys amrywiol weithrediadau o'r blociau adeiladu rhwydweithiau niwral megis haenau, swyddogaethau gwrthrychol, swyddogaethau activation, a optimizers mathemategol. Mae ei god yn cael ei gynnal ar GitHub ac mae yna fforymau a sianel gefnogaeth Slack. Yn ogystal â chefnogaeth ar gyfer safon rhwydweithiau nefol, Mae Keras yn cynnig cymorth ar gyfer Rhwydweithiau Niwral Convolutional a Rhwydweithiau Niwral Rheolaidd.
Keras yn caniatáu modelau dysgu dwfn i'w gynhyrchu ar ffonau clyfar ar iOS ac Android, ar Java Virtual Machine, neu ar y we. Mae hefyd yn caniatáu defnyddio hyfforddiant gwasgaredig o fodelau dysgu dwfn ar glystyrau o Unedau Prosesu Graffeg (GPU) ac Unedau Prosesu Tensoriaid (TPU).
Nodweddion allweddol
- Modelau wedi'u hyfforddi ymlaen llaw
- Cefnogaeth backend lluosog
- Cefnogaeth gymunedol fawr a hawdd ei defnyddio
6. ML Craidd Apple
Datblygwyd Core ML gan Apple i gefnogi ei ecosystem - IOS, Mac OS, ac iPad OS. Mae ei API yn gweithio ar lefel isel, gan wneud defnydd da o adnoddau CPU a GPU, sy'n caniatáu i fodelau a chymwysiadau a grëwyd barhau i redeg hyd yn oed heb gysylltiad rhyngrwyd, sy'n lleihau “ôl troed cof” a defnydd pŵer y ddyfais.
Nid yw'r ffordd y mae Core ML yn cyflawni hyn yn union trwy wneud llyfrgell ddysgu peiriant arall sydd wedi'i optimeiddio ar gyfer rhedeg ar iphones / ipads. Yn lle hynny, mae Core ML yn debycach i gasglwr sy'n cymryd manylebau model a pharamedrau hyfforddedig a fynegir gyda meddalwedd dysgu peiriant arall ac yn ei drawsnewid yn ffeil sy'n dod yn adnodd ar gyfer app iOS. Mae'r trosiad hwn i fodel ML Craidd yn digwydd yn ystod datblygiad ap, nid mewn amser real wrth i'r app gael ei ddefnyddio, ac fe'i hwylusir gan lyfrgell python coremltools.
Mae ML craidd yn darparu perfformiad cyflym gydag integreiddio hawdd dysgu peiriant modelau i mewn i geisiadau. Mae'n cefnogi dysgu dwfn gyda dros 30 math o haenau yn ogystal â choed penderfynu, peiriannau fector cymorth, a dulliau atchweliad llinol, i gyd wedi'u hadeiladu ar ben technolegau lefel isel fel Metal and Accelerate.
Nodweddion allweddol
- Hawdd i integreiddio i apps
- Y defnydd gorau posibl o adnoddau lleol, heb fod angen mynediad i'r rhyngrwyd
- Preifatrwydd: nid oes rhaid i'r data adael y ddyfais
7. ONNX
Y fframwaith olaf ar ein rhestr yw ONNX. Deilliodd y fframwaith hwn o gydweithrediad rhwng Microsoft a Facebook, gyda'r nod o symleiddio'r broses o drosglwyddo ac adeiladu modelau rhwng gwahanol fframweithiau, offer, amseroedd rhedeg a chasglwyr.
Mae ONNX yn diffinio math cyffredin o ffeil a all redeg ar lwyfannau lluosog, tra'n defnyddio buddion APIs lefel isel fel y rhai o Microsoft Cognitive Toolkit, MXNet, Caffe a (gan ddefnyddio trawsnewidwyr) Tensorflow a Core ML. Yr egwyddor y tu ôl i ONNX yw hyfforddi model ar bentwr a'i roi ar waith gan ddefnyddio casgliadau a rhagfynegiadau eraill.
Mae Sefydliad LF AI, is-fudiad o'r Linux Foundation, yn sefydliad sy'n ymroddedig i adeiladu ecosystem i'w gefnogi ffynhonnell agored arloesi mewn deallusrwydd artiffisial (AI), dysgu peiriant (ML), a dysgu dwfn (DL). Ychwanegodd ONNX fel prosiect lefel graddedig ar 14 Tachwedd 2019. Roedd y symudiad hwn o ONNX o dan ymbarél Sefydliad LF AI yn cael ei ystyried yn garreg filltir bwysig wrth sefydlu ONNX fel safon fformat agored-niwtral gwerthwr.
Mae Sw Model ONNX yn gasgliad o fodelau sydd wedi'u hyfforddi ymlaen llaw mewn Dysgu Dwfn sydd ar gael ar ffurf ONNX. Ar gyfer pob model mae yna llyfrau nodiadau Jupyter ar gyfer hyfforddiant model a pherfformio casgliad gyda'r model hyfforddedig. Mae'r llyfrau nodiadau wedi'u hysgrifennu yn Python ac yn cynnwys dolenni i'r set ddata hyfforddiant a chyfeiriadau at y ddogfen wyddonol wreiddiol sy'n disgrifio'r bensaernïaeth enghreifftiol.
Nodweddion allweddol
- Rhyngweithredu'r fframwaith
- Optimeiddio Caledwedd
Casgliad
Dyma grynodeb o'r fframweithiau gorau ar gyfer dysgu dwfn. Mae yna nifer o fframweithiau at y diben hwn, am ddim neu â thâl. I ddewis y gorau ar gyfer eich prosiect, gwyddoch yn gyntaf ar gyfer pa lwyfan y byddwch yn datblygu eich cais.
Fframweithiau cyffredinol fel TensorFlow a Keras yw'r opsiynau gorau i ddechrau. Ond os oes angen i chi ddefnyddio manteision OS neu ddyfais-benodol, yna efallai mai Core ML a Microsoft Cognitive Toolkit yw'r opsiynau gorau.
Mae yna fframweithiau eraill sydd wedi'u hanelu at ddyfeisiau Android, peiriannau eraill, a dibenion penodol nad ydyn nhw wedi'u crybwyll yn y rhestr hon. Os yw'r grŵp olaf o ddiddordeb i chi, rydym yn awgrymu chwilio am eu gwybodaeth ar Google neu wefannau dysgu peiriannau eraill.
Gadael ymateb