Kadro por profunda lernado konsistas el kombinaĵo de interfacoj, bibliotekoj kaj iloj por difini kaj trejni Maŝinlernajn modelojn rapide kaj precize.
Ĉar profunda lernado uzas grandan kvanton da nestrukturitaj, netekstaj datenoj, vi bezonas kadron, kiu kontrolas la interagadon inter la "tavoloj" kaj rapidas modelan disvolviĝon per lernado de la enigaĵoj kaj farante aŭtonomiajn decidojn.
Se vi interesiĝas lerni pri profunda lernado en 2021, konsideru uzi unu el la kadroj indikitaj sube. Memoru elekti unu, kiu helpos vin atingi viajn celojn kaj vizion.
1. TensoroFluo
Kiam oni parolas pri profunda lernado, TensoroFluo estas ofte la unua kadro menciita. Tre populara, ĉi tiu kadro estas ne nur uzata de Google - la kompanio respondeca por ĝia kreado - sed ankaŭ de aliaj kompanioj kiel Dropbox, eBay, Airbnb, Nvidia kaj multaj aliaj.
TensorFlow povas esti uzata por evoluigi altajn kaj malaltnivelajn API-ojn, ebligante vin ruli aplikojn sur preskaŭ ajna speco de aparato. Kvankam Python estas ĝia primara lingvo, la interfaco de Tensoflow povas esti alirita kaj kontrolita uzante aliajn programlingvojn kiel ekzemple C++, Java, Julia kaj JavaScript.
Estante malfermfonta, TensorFlow permesas vin fari plurajn integriĝojn kun aliaj API-oj kaj akiri rapidan subtenon kaj ĝisdatigojn de la komunumo. Ĝia dependeco de "senmovaj grafikaĵoj" por komputado permesas vin fari tujajn kalkulojn aŭ konservi operaciojn por aliro en alia tempo. Ĉi tiuj kialoj, aldonitaj al la ebleco, ke vi povas "spekti" la evoluon de via neŭrala reto per TensorBoard, igas TensorFlow la plej populara kadro por profunda lernado.
Ŝlosilo Elstaraĵoj
- Malferma-fonto
- fleksebleco
- Rapida senararigado
2. PyTorch
PyTorch estas kadro evoluigita de Facebook por subteni la funkciadon de ĝiaj servoj. Ekde kiam ĝi fariĝis malfermfonta, ĉi tiu kadro estis uzata de kompanioj krom Facebook, kiel Salesforce kaj Udacity.
Ĉi tiu kadro funkciigas dinamike ĝisdatigitajn grafikaĵojn, permesante al vi fari ŝanĝojn al la arkitekturo de via datumaro dum vi prilaboras ĝin. Kun PyTorch estas pli simple disvolvi kaj trejni neŭralan reton, eĉ sen sperto pri profunda lernado.
Estante malfermfonte kaj bazita sur Python, vi povas fari simplajn kaj rapidajn integriĝojn al PyTorch. Ĝi ankaŭ estas simpla kadro por lerni, uzi kaj sencimigi. Se vi havas demandojn, vi povas fidi je la bonega subteno kaj ĝisdatigoj de ambaŭ komunumoj - Python-komunumo kaj la PyTorch-komunumo.
Ŝlosilo Elstaraĵoj
- Facile lernebla
- Elportas GPU kaj CPU
- Riĉa aro de API-oj por etendi bibliotekojn
3. Apache MX Net
Pro ĝia alta skaleblo, alta rendimento, rapida problemo-solvado kaj altnivela GPU-subteno, ĉi tiu kadro estis kreita de Apache por uzo en grandaj industriaj projektoj.
MXNet inkluzivas la Gluon-interfacon, kiu permesas al programistoj de ĉiuj lertaj niveloj komenci kun profunda lernado en la nubo, en randaj aparatoj kaj en porteblaj apoj. En nur kelkaj linioj de Gluon-kodo, vi povas konstrui linearan regreson, konvoluciajn retojn kaj ripetiĝantajn LSTM-ojn por detekto de objektoj, parolrekono, rekomendo kaj personigo.
MXNet povas esti uzata sur diversaj aparatoj kaj estas subtenata de pluraj programlingvoj kiel Java, R, JavaScript, Scala kaj Go. Kvankam la nombro da uzantoj kaj membroj en ĝia komunumo estas malalta, MXNet havas bone verkitan dokumentaron kaj grandan potencialon por kresko, precipe nun kiam Amazon elektis ĉi tiun kadron kiel la ĉefan ilon por Maŝina Lernado sur AWS.
Ŝlosilo Elstaraĵoj
- 8 lingvaj ligadoj
- Distribuita Trejnado, subtenanta multi-CPU kaj multi-GPU-sistemojn
- Hibrida antaŭa finaĵo, permesante ŝanĝi inter imperativa kaj simbola reĝimoj
4. Mikrosofta Kogna Ilaro
Se vi pensas evoluigi aplikojn aŭ servojn, kiuj funkcias per Azure (Microsoft-nubaj servoj), la Microsoft Cognitive Toolkit estas la kadro por elekti por viaj profundaj lernaj projektoj. Ĉi tio estas malfermfonta, kaj subtenata de programlingvoj kiel Python, C++, C#, Java, inter aliaj. Ĉi tiu kadro estas desegnita por "pensi kiel la homa cerbo", do ĝi povas prilabori grandajn kvantojn da nestrukturitaj datumoj, dum ĝi ofertas rapidan trejnadon kaj intuician arkitekturon.
Elektante ĉi tiun kadron - la saman malantaŭ Skype, Xbox kaj Cortana - vi ricevos bonan rendimenton de viaj aplikaĵoj, skaleblecon kaj simplan integriĝon kun Azure. Tamen, kompare kun TensorFlow aŭ PyTorch, la nombro da membroj en ĝia komunumo kaj subteno estas reduktita.
La sekva video ofertas kompletan enkondukon kaj aplikajn ekzemplojn:
Ŝlosilo Elstaraĵoj
- Klara dokumentado
- Subteno de Microsoft-teamo
- Rekta grafika bildigo
5. Keras
Kiel PyTorch, Keras estas biblioteko bazita en Python por datenintensaj projektoj. La keras API funkcias altnivele kaj permesas integriĝojn kun malaltnivelaj APIoj kiel TensorFlow, Theano kaj Microsoft Cognitive Toolkit.
Kelkaj avantaĝoj de uzado de keras estas ĝia simpleco por lerni - estante la rekomendinda kadro por komencantoj en profunda lernado; ĝia rapideco de deplojo; havante grandan subtenon de la python-komunumo kaj de komunumoj de la aliaj kadroj kun kiuj ĝi estas integrita.
Keras enhavas diversajn efektivigojn de la konstrubriketoj de neŭralaj retoj kiel ekzemple tavoloj, objektivaj funkcioj, aktivigaj funkcioj, kaj matematikaj optimumigiloj. Ĝia kodo estas gastigita sur GitHub kaj ekzistas forumoj kaj Slack-subtena kanalo. Krom subteno por normo Neŭraj retoj, Keras ofertas subtenon por Konvoluciaj Neŭralaj Retoj kaj Ripetantaj Neŭralaj Retoj.
Keras permesas modeloj de profunda lernado esti generita sur saĝtelefonoj sur kaj iOS kaj Android, sur Java Virtuala Maŝino, aŭ en la reto. Ĝi ankaŭ permesas la uzon de distribuita trejnado de profunda lernado-modeloj sur aretoj de Graphics Processing Units (GPU) kaj Tensor Processing Units (TPU).
Ŝlosilo Elstaraĵoj
- Antaŭtrejnitaj modeloj
- Multoblaj backend subteno
- Uzantamika kaj granda komunuma subteno
6. Apple Core ML
Core ML estis evoluigita de Apple por subteni ĝian ekosistemon - IOS, Mac OS kaj iPad OS. Ĝia API funkcias je malalta nivelo, bone utiligante la rimedojn de CPU kaj GPU, kio permesas al modeloj kaj aplikaĵoj kreitaj daŭre funkcii eĉ sen interreta konekto, kio reduktas la "memorsignon" kaj elektran konsumon de la aparato.
La maniero kiel Core ML plenumas tion ne estas ĝuste farante alian maŝinlerndan bibliotekon, kiu estas optimumigita por funkcii per iphones/ipads. Anstataŭe, Core ML pli similas al kompililo, kiu prenas modelspecifojn kaj trejnitajn parametrojn esprimitajn per alia maŝinlernada programaro kaj konvertas ĝin en dosieron, kiu fariĝas rimedo por iOS-apo. Ĉi tiu konvertiĝo al Core ML-modelo okazas dum evoluigo de aplikaĵoj, ne en reala tempo, ĉar la aplikaĵo estas uzata, kaj estas faciligita de la biblioteko coremltools python.
Core ML liveras rapidan rendimenton kun facila integriĝo de maŝinlernado modeloj en aplikojn. Ĝi subtenas profundan lernadon kun pli ol 30 specoj de tavoloj same kiel decidaj arboj, subtenaj vektoraj maŝinoj kaj linearaj regresaj metodoj, ĉiuj konstruitaj sur malaltnivelaj teknologioj kiel Metalo kaj Akcelo.
Ŝlosilo Elstaraĵoj
- Facila integri en apojn
- Optimuma uzo de lokaj rimedoj, ne postulante retaliron
- Privateco: la datumoj ne devas forlasi la aparaton
7. ONNX
La lasta kadro en nia listo estas ONNX. Ĉi tiu kadro eliris el kunlaboro inter Mikrosofto kaj Facebook, kun la celo simpligi la procezon de translokado kaj konstruado de modeloj inter malsamaj kadroj, iloj, rultempoj kaj kompililoj.
ONNX difinas oftan dosiertipon, kiu povas funkcii sur pluraj platformoj, uzante la avantaĝojn de malaltnivelaj APIoj kiel tiuj de Microsoft Cognitive Toolkit, MXNet, Caffe kaj (uzante konvertilojn) Tensorflow kaj Core ML. La principo malantaŭ ONNX estas trejni modelon sur stako kaj efektivigi ĝin uzante aliajn inferencojn kaj prognozojn.
La LF AI Foundation, suborganizo de la Linukso-Fondaĵo, estas organizo dediĉita al konstruado de ekosistemo por subteni malfermfonto novigado en artefarita inteligenteco (AI), maŝinlernado (ML), kaj profunda lernado (DL). Ĝi aldonis ONNX kiel diplomiĝintnivelan projekton la 14an de novembro 2019. Ĉi tiu movo de ONNX sub la ombrelo de la LF AI Foundation estis vidita kiel grava mejloŝtono en establado de ONNX kiel vendisto-neŭtrala malferma-formata normo.
La ONNX Model Zoo estas kolekto de antaŭtrejnitaj modeloj en Deep Learning haveblaj en ONNX-formato. Por ĉiu modelo ekzistas Jupyter kajeroj por modeltrejnado kaj elfarado de inferenco kun la trejnita modelo. La kajeroj estas skribitaj en Python kaj enhavas ligilojn al la trejna datumaro kaj referencoj al la origina scienca dokumento priskribanta la modelarkitekturon.
Ŝlosilo Elstaraĵoj
- Kadra kunfunkciebleco
- Aparataro Optimumigo
konkludo
Ĉi tio estas resumo de la plej bonaj kadroj por profunda lernado. Estas pluraj kadroj por ĉi tiu celo, senpagaj aŭ pagitaj. Por elekti la plej bonan por via projekto, unue sciu por kiu platformo vi disvolvos vian aplikaĵon.
Ĝeneralaj kadroj kiel TensorFlow kaj Keras estas la plej bonaj ebloj por komenci. Sed se vi bezonas uzi OS aŭ specifajn avantaĝojn de aparato, tiam Core ML kaj Microsoft Cognitive Toolkit povus esti la plej bonaj elektoj.
Estas aliaj kadroj celitaj al Android-aparatoj, aliaj maŝinoj kaj specifaj celoj, kiuj ne estis menciitaj en ĉi tiu listo. Se ĉi-lasta grupo interesas vin, ni sugestas serĉi iliajn informojn en Guglo aŭ aliaj maŝinlernantaj retejoj.
Lasi Respondon