Üks tuntumaid tööriistu masinõppemudelite arendamiseks on TensorFlow. Kasutame TensorFlow'd paljudes rakendustes erinevates tööstusharudes.
Selles postituses uurime mõnda TensorFlow AI mudelit. Seega saame luua intelligentseid süsteeme.
Läbime ka raamistikud, mida TensorFlow pakub AI mudelite loomiseks. Nii et alustame!
TensorFlow lühitutvustus
Google'i TensorFlow on avatud lähtekoodiga programm masinõpe tarkvarapakett. See sisaldab tööriistu väljaõppeks ja juurutamiseks masinõppe mudelid paljudel platvormidel. ja seadmed, samuti süvaõppe tugi ja närvivõrgud.
TensorFlow võimaldab arendajatel luua mudeleid mitmesuguste rakenduste jaoks. See hõlmab pildi- ja helituvastust, loomuliku keele töötlemist ja arvuti nägemine. See on tugev ja kohandatav tööriist, millel on kogukonna laialdane toetus.
TensorFlow arvutisse installimiseks sisestage oma käsuaknasse see:
pip install tensorflow
Kuidas AI mudelid töötavad?
AI mudelid on arvutisüsteemid. Seetõttu on nad mõeldud tegema tegevusi, mis tavaliselt vajaksid inimese intellekti. Selliste ülesannete näideteks on pildi- ja kõnetuvastus ning otsuste tegemine. AI mudelid töötatakse välja tohutute andmekogumite alusel.
Nad kasutavad ennustuste loomiseks ja toimingute tegemiseks masinõppe tehnikaid. Neil on mitu kasutust, sealhulgas isejuhtivad autod, isiklikud abistajad ja meditsiiniline diagnostika.
Niisiis, millised on populaarsed TensorFlow AI mudelid?
ResNet
ResNet ehk jääkvõrk on konvolutsiooni vorm Närvivõrgus. Kasutame seda piltide kategoriseerimiseks ja objektide tuvastamine. Selle töötasid välja Microsofti teadlased 2015. aastal. Samuti eristab see peamiselt jääkühenduste kasutamist.
Need ühendused võimaldavad võrgul edukalt õppida. Seega on see võimalik, võimaldades teabel kihtide vahel vabamalt liikuda.
ResNeti saab TensorFlow's rakendada Kerase API-d võimendades. See pakub kõrgetasemelist kasutajasõbralikku liidest närvivõrkude loomiseks ja treenimiseks.
ResNeti installimine
Pärast TensorFlow installimist saate ResNeti mudeli loomiseks kasutada Kerase API-t. TensorFlow sisaldab Kerase API-t, nii et te ei pea seda eraldi installima.
ResNeti mudeli saate importida saidilt tensorflow.keras.applications. Ja saate valida ResNeti versiooni, mida kasutada, näiteks:
from tensorflow.keras.applications import ResNet50
ResNeti jaoks eelnevalt treenitud raskuste laadimiseks saate kasutada ka järgmist koodi:
model = ResNet50(weights='imagenet')
Valides atribuudi include_top=False, saate mudelit kasutada täiendavaks koolituseks või kohandatud andmestiku peenhäälestamiseks.
model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
ResNeti kasutusvaldkonnad
ResNeti võib kasutada piltide klassifitseerimisel. Seega saate fotod liigitada paljudesse rühmadesse. Esiteks peate koolitama ResNeti mudelit suurel märgistatud fotode andmekogumil. Seejärel suudab ResNet ennustada varem nägemata piltide klassi.
ResNeti saab kasutada ka objektide tuvastamiseks, näiteks asjade tuvastamiseks fotodel. Saame seda teha, koolitades esmalt ResNeti mudelit fotode kogumi jaoks, mis on märgistatud objektide piirdekastidega. Seejärel saame rakendada õpitud mudelit objektide tuvastamiseks värsketel piltidel.
ResNeti saame kasutada ka semantiliste segmenteerimisülesannete jaoks. Seega saame pildi igale pikslile määrata semantilise sildi.
Teke
Algus on sügav õppimismudel, mis suudab piltidel asju ära tunda. Google teatas sellest 2014. aastal ja see analüüsib erineva suurusega pilte, kasutades paljusid kihte. Inceptioni abil saab teie modell pildist täpselt aru.
TensorFlow on tugev tööriist algusmudelite loomiseks ja käitamiseks. See pakub kõrgetasemelist ja kasutajasõbralikku liidest närvivõrkude treenimiseks. Seega on Inception üsna lihtne mudel, mida arendajatele rakendada.
Inceptioni installimine
Saate installida Inceptioni, sisestades selle koodirea.
from tensorflow.keras.applications import InceptionV3
Alguse kasutusvaldkonnad
Algmudelit saab kasutada ka funktsioonide eraldamiseks sügav õpe mudelid nagu generatiivsed võistlevad võrgud (GAN) ja automaatkodeerijad.
Algmudelit saab konkreetsete tunnuste tuvastamiseks täpsustada. Samuti võime diagnoosida teatud häireid meditsiinilistes kuvamisrakendustes, nagu röntgenikiirgus, CT või MRI.
Algmudelit võib pildikvaliteedi kontrollimiseks peenhäälestada. Saame hinnata, kas pilt on udune või terav.
Algust saab kasutada videoanalüüsi ülesannete jaoks, nagu objektide jälgimine ja tegevuse tuvastamine.
BERT
BERT (Bidirectional Encoder Representations from Transformers) on Google'i poolt välja töötatud eelkoolitatud närvivõrgu mudel. Võime seda kasutada mitmesuguste loomuliku keele töötlemise ülesannete jaoks. Need ülesanded võivad varieeruda teksti kategoriseerimisest kuni küsimustele vastamiseni.
BERT on üles ehitatud trafo arhitektuurile. Seega saate sõnade seostest aru saades hakkama suure hulga tekstisisestustega.
BERT on eelkoolitatud mudel, mida saate TensorFlow rakendustesse lisada.
TensorFlow sisaldab nii eelkoolitatud BERT-mudelit kui ka utiliitide kogumit BERTi peenhäälestamiseks ja mitmesuguste ülesannete jaoks rakendamiseks. Seega saate hõlpsasti integreerida BERTi keerukaid loomuliku keele töötlemise võimalusi.
BERTi installimine
Pip-paketihalduri abil saate installida BERT-i TensorFlow'sse:
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 protsessori versiooni saab hõlpsasti installida, asendades tensorflow-gpu tensorflow-ga.
Pärast teegi installimist võite importida BERT-i mudeli ja kasutada seda erinevate NLP-ülesannete jaoks. Siin on mõned näidiskoodid BERT-i mudeli peenhäälestamiseks teksti klassifitseerimise probleemi puhul, näiteks:
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)
BERTi kasutusvaldkonnad
Saate täita teksti liigitamise ülesandeid. Näiteks on võimalik saavutada sentiment analüüs, teemade kategoriseerimine ja rämpsposti tuvastamine.
BERTil on a Nimega üksuse tunnustamine (NER) funktsioon. Seega saate tekstis olevaid üksusi, näiteks isikuid ja organisatsioone, ära tunda ja sildistada.
Seda saab kasutada päringutele vastamiseks olenevalt konkreetsest kontekstist, näiteks otsingumootoris või vestlusroti rakenduses.
BERT võib olla keeletõlke jaoks kasulik, et suurendada masintõlke täpsust.
BERT-i võib kasutada teksti kokkuvõtete tegemiseks. Seega võib see pakkuda lühikesi kasulikke kokkuvõtteid pikkadest tekstidokumentidest.
Sügav hääl
Baidu Research lõi DeepVoice'i, a tekst kõneks sünteesi mudel.
See loodi TensorFlow raamistikuga ja koolitati suurel hulgal häälandmete kogumisel.
DeepVoice genereerib häält tekstisisestusest. DeepVoice teeb selle võimalikuks, kasutades süvaõppe tehnikaid. See on närvivõrgupõhine mudel.
Seega analüüsib see sisendandmeid ja genereerib kõnet, kasutades tohutul hulgal ühendatud sõlmede kihte.
DeepVoice'i installimine
!pip install deepvoice
Alternatiivselt;
# Clone the DeepVoice repository
!git clone https://github.com/r9y9/DeepVoice3_pytorch.git
%cd DeepVoice3_pytorch
!pip install -r requirements.txt
DeepVoice'i kasutusvaldkonnad
Saate kasutada DeepVoice'i kõne loomiseks isiklikele abilistele, nagu Amazon Alexa ja Google Assistant.
Samuti võib DeepVoice'i kasutada kõne tekitamiseks häältoega seadmetele, nagu nutikõlarid ja koduautomaatikasüsteemid.
DeepVoice saab luua kõne kõneteraapia rakenduste jaoks. See võib aidata kõneprobleemidega patsientidel kõnet parandada.
DeepVoice'i saab kasutada kõne loomiseks õppematerjalide, näiteks audioraamatute ja keeleõpperakenduste jaoks.
Jäta vastus