Խորը ուսուցման շրջանակը բաղկացած է միջերեսների, գրադարանների և գործիքների համակցությունից՝ մեքենայական ուսուցման մոդելները արագ և ճշգրիտ սահմանելու և վերապատրաստելու համար:
Քանի որ խորը ուսուցումն օգտագործում է մեծ քանակությամբ չկառուցված, ոչ տեքստային տվյալներ, ձեզ հարկավոր է այնպիսի շրջանակ, որը վերահսկում է «շերտերի» միջև փոխազդեցությունը և արագացնում է մոդելի մշակումը` սովորելով մուտքային տվյալներից և ինքնուրույն որոշումներ կայացնելով:
Եթե դուք հետաքրքրված եք խորը ուսուցման մասին սովորել 2021 թվականին, մտածեք ստորև նշված շրջանակներից մեկի օգտագործման մասին: Հիշեք, որ ընտրեք մեկը, որը կօգնի ձեզ հասնել ձեր նպատակներին և տեսլականին:
1. TensorFlow
Խորը ուսուցման մասին խոսելիս. TensorFlow հաճախ հիշատակված առաջին շրջանակն է: Շատ տարածված, այս շրջանակն օգտագործվում է ոչ միայն Google-ի կողմից, որը պատասխանատու է դրա ստեղծման համար, այլ նաև այլ ընկերությունների կողմից, ինչպիսիք են Dropbox-ը, eBay-ը, Airbnb-ն, Nvidia-ն և շատ ուրիշներ:
TensorFlow-ը կարող է օգտագործվել բարձր և ցածր մակարդակի API-ներ մշակելու համար, ինչը թույլ է տալիս գործարկել հավելվածները գրեթե ցանկացած տեսակի սարքի վրա: Չնայած Python-ը նրա հիմնական լեզուն է, Tensoflow-ի ինտերֆեյսը կարելի է մուտք գործել և կառավարել այլ ծրագրավորման լեզուների միջոցով, ինչպիսիք են C++, Java, Julia և JavaScript:
Լինելով բաց կոդով, TensorFlow-ը թույլ է տալիս մի քանի ինտեգրումներ կատարել այլ API-ների հետ և ստանալ արագ աջակցություն և թարմացումներ համայնքից: Հաշվարկների համար «ստատիկ գրաֆիկների» կախվածությունը թույլ է տալիս անհապաղ հաշվարկներ կատարել կամ պահել գործողությունները՝ այլ ժամանակ մուտք գործելու համար: Այս պատճառները, որոնք գումարվում են այն հնարավորությանը, որ դուք կարող եք «դիտել» ձեր նեյրոնային ցանցի զարգացումը TensorBoard-ի միջոցով, TensorFlow-ին դարձնում են խորը ուսուցման ամենահայտնի շրջանակը:
ԿԱՐԵՎՈՐ մասեր
- Բաց կոդով
- Ճկունություն
- Արագ կարգաբերում
2. PyTorch- ը
PyTorch-ը Facebook-ի կողմից մշակված շրջանակ է՝ աջակցելու իր ծառայությունների շահագործմանը: Բաց կոդով դառնալուց ի վեր, այս շրջանակն օգտագործվել է Facebook-ից բացի այլ ընկերությունների կողմից, ինչպիսիք են Salesforce-ը և Udacity-ն:
Այս շրջանակը գործարկում է դինամիկ թարմացվող գրաֆիկները, որոնք թույլ են տալիս փոփոխություններ կատարել ձեր տվյալների բազայի ճարտարապետության մեջ այն մշակելիս: PyTorch-ի միջոցով ավելի հեշտ է զարգացնել և վարժեցնել նեյրոնային ցանցը, նույնիսկ առանց խորը ուսուցման փորձի:
Լինելով բաց կոդով և հիմնված լինելով Python-ի վրա՝ դուք կարող եք պարզ և արագ ինտեգրումներ կատարել PyTorch-ին: Այն նաև պարզ շրջանակ է սովորելու, օգտագործելու և վրիպազերծելու համար: Եթե հարցեր ունեք, կարող եք հույս դնել երկու համայնքների մեծ աջակցության և թարմացումների վրա՝ Python համայնքի և PyTorch համայնքի:
ԿԱՐԵՎՈՐ մասեր
- Հեշտ է սովորել
- Աջակցում է GPU և CPU
- API-ների հարուստ հավաքածու՝ գրադարանները ընդլայնելու համար
3. Apache MX Net
Իր մեծ մասշտաբայնության, բարձր կատարողականության, արագ անսարքությունների վերացման և GPU առաջադեմ աջակցության շնորհիվ այս շրջանակը ստեղծվել է Apache-ի կողմից՝ խոշոր արդյունաբերական նախագծերում օգտագործելու համար:
MXNet-ը ներառում է Gluon ինտերֆեյսը, որը թույլ է տալիս բոլոր հմտությունների մակարդակի մշակողներին սկսել խորը ուսուցմամբ ամպի վրա, ծայրամասային սարքերի և բջջային հավելվածների վրա: Gluon կոդի ընդամենը մի քանի տողում դուք կարող եք կառուցել գծային ռեգրեսիա, կոնվոլյուցիոն ցանցեր և կրկնվող LSTM-ներ օբյեկտների հայտնաբերում, խոսքի ճանաչում, առաջարկություն և անհատականացում։
MXNet-ը կարող է օգտագործվել տարբեր սարքերում և աջակցվում է մի քանիսի կողմից ծրագրավորման լեզուները ինչպիսիք են Java, R, JavaScript, Scala և Go: Թեև իր համայնքում օգտատերերի և անդամների թիվը փոքր է, MXNet-ն ունի լավ գրավոր փաստաթղթեր և աճի մեծ ներուժ, հատկապես հիմա, երբ Amazon-ն ընտրել է այս շրջանակը որպես AWS-ում մեքենայական ուսուցման հիմնական գործիք:
ԿԱՐԵՎՈՐ մասեր
- 8 լեզվական կապեր
- Բաշխված ուսուցում, որն աջակցում է բազմաբնույթ պրոցեսորային և բազմաֆունկցիոնալ պրոցեսորային համակարգերին
- Առջևի հիբրիդ, որը թույլ է տալիս անցնել հրամայական և խորհրդանշական ռեժիմների միջև
4. Microsoft- ի ճանաչողական գործիքակազմ
Եթե մտածում եք Azure-ի վրա աշխատող հավելվածներ կամ ծառայություններ մշակելու մասին (Microsoft ամպային ծառայություններ), Microsoft Cognitive Toolkit-ն այն շրջանակն է, որը պետք է ընտրեք ձեր խորը ուսուցման նախագծերի համար: Սա բաց կոդով է և աջակցվում է ծրագրավորման լեզուներով, ինչպիսիք են Python, C++, C#, Java և այլն: Այս շրջանակը նախատեսված է «մարդկային ուղեղի նման մտածելու» համար, այնպես որ այն կարող է մշակել մեծ քանակությամբ չկառուցված տվյալներ՝ միաժամանակ առաջարկելով արագ ուսուցում և ինտուիտիվ ճարտարապետություն:
Ընտրելով այս շրջանակը՝ նույնը Skype-ի, Xbox-ի և Cortana-ի հետևում, դուք կստանաք լավ կատարողականություն ձեր հավելվածներից, մասշտաբայնություն և պարզ ինտեգրում Azure-ի հետ: Այնուամենայնիվ, երբ համեմատվում է TensorFlow-ի կամ PyTorch-ի հետ, նրա համայնքի անդամների թիվը և աջակցությունը կրճատվում է:
Հետևյալ տեսանյութը առաջարկում է ամբողջական ներածություն և կիրառման օրինակներ.
ԿԱՐԵՎՈՐ մասեր
- Մաքրել փաստաթղթերը
- Աջակցություն Microsoft-ի թիմից
- Գրաֆիկի ուղիղ պատկերացում
5. Կերաս
Ինչպես PyTorch-ը, Keras-ը Python-ի վրա հիմնված գրադարան է տվյալների ինտենսիվ նախագծերի համար: Keras API-ն աշխատում է բարձր մակարդակով և թույլ է տալիս ինտեգրվել ցածր մակարդակի API-ների հետ, ինչպիսիք են TensorFlow, Theano և Microsoft Cognitive Toolkit-ը:
Keras-ի օգտագործման որոշ առավելություններ սովորելու պարզությունն են՝ լինելով խորը ուսուցման սկսնակների համար առաջարկվող շրջանակ; դրա տեղակայման արագությունը; ունենալով մեծ աջակցություն python համայնքից և այլ շրջանակների համայնքներից, որոնց հետ այն ինտեգրված է:
Keras-ը պարունակում է տարբեր իրականացումներ նեյրոնային ցանցերի կառուցման բլոկներ ինչպիսիք են շերտերը, օբյեկտիվ ֆունկցիաները, ակտիվացման ֆունկցիաները և մաթեմատիկական օպտիմիզատորները: Դրա կոդը տեղակայված է GitHub-ում և կան ֆորումներ և Slack-ի աջակցման ալիք: Ի լրումն ստանդարտի աջակցության նյարդային ցանցեր, Keras-ն առաջարկում է աջակցություն Convolutional Neural Networks-ին և Recurrent Neural Networks-ին:
Կերասը թույլ է տալիս խորը ուսուցման մոդելներ կարող է ստեղծվել ինչպես iOS-ի, այնպես էլ Android-ի սմարթֆոնների վրա, Java վիրտուալ մեքենայի վրա կամ համացանցում: Այն նաև թույլ է տալիս օգտագործել խորը ուսուցման մոդելների բաշխված ուսուցում գրաֆիկայի մշակման միավորների (GPU) և տենզորի մշակման միավորների (TPU) կլաստերների վրա:
ԿԱՐԵՎՈՐ մասեր
- Նախապես պատրաստված մոդելներ
- Բազմաթիվ backend աջակցություն
- Օգտագործողի համար հարմար և մեծ համայնքի աջակցություն
6. Apple Core ML
Core ML-ը մշակվել է Apple-ի կողմից՝ աջակցելու իր էկոհամակարգին՝ IOS, Mac OS և iPad OS: Դրա API-ն աշխատում է ցածր մակարդակով՝ լավ օգտագործելով պրոցեսորների և GPU-ի ռեսուրսները, ինչը թույլ է տալիս ստեղծված մոդելներին և հավելվածներին աշխատել նույնիսկ առանց ինտերնետ կապի, ինչը նվազեցնում է սարքի «հիշողության հետքը» և էներգիայի սպառումը:
Core ML-ն դա անում է ոչ թե ստեղծելով ևս մեկ մեքենայական ուսուցման գրադարան, որը օպտիմիզացված է iphone/ipad-ներով աշխատելու համար: Փոխարենը, Core ML-ն ավելի շատ նման է կոմպիլյատորի, որը վերցնում է մոդելի բնութագրերը և ուսուցանված պարամետրերը, որոնք արտահայտված են մեքենայական ուսուցման այլ ծրագրերով և փոխակերպում այն ֆայլի, որը դառնում է ռեսուրս iOS հավելվածի համար: Core ML մոդելի այս փոխարկումը տեղի է ունենում հավելվածի մշակման ժամանակ, ոչ թե իրական ժամանակում, քանի որ հավելվածն օգտագործվում է, և նպաստվում է coremltools python գրադարանի կողմից:
Core ML-ն ապահովում է արագ կատարում՝ հեշտ ինտեգրմամբ Machine Learning մոդելները՝ հավելվածների մեջ: Այն աջակցում է խորը ուսուցմանը ավելի քան 30 տեսակի շերտերով, ինչպես նաև որոշումների ծառերով, օժանդակ վեկտորային մեքենաներով և գծային ռեգրեսիայի մեթոդներով, որոնք կառուցված են ցածր մակարդակի տեխնոլոգիաների վրա, ինչպիսիք են Metal-ը և Accelerate-ը:
ԿԱՐԵՎՈՐ մասեր
- Հեշտ է ինտեգրվել հավելվածներին
- Տեղական ռեսուրսների օպտիմալ օգտագործում՝ ինտերնետ հասանելիություն չպահանջող
- Գաղտնիություն. տվյալները չպետք է հեռանան սարքից
7. ONNX
Մեր ցուցակի վերջին շրջանակը ONNX-ն է: Այս շրջանակն առաջացել է Microsoft-ի և Facebook-ի համագործակցությունից՝ նպատակ ունենալով պարզեցնել մոդելների փոխանցման և կառուցման գործընթացը տարբեր շրջանակների, գործիքների, գործարկման ժամանակների և կոմպիլյատորների միջև:
ONNX-ը սահմանում է ընդհանուր ֆայլի տեսակ, որը կարող է գործարկվել մի քանի հարթակներում՝ միաժամանակ օգտվելով ցածր մակարդակի API-ների առավելություններից, ինչպիսիք են Microsoft Cognitive Toolkit-ի, MXNet-ի, Caffe-ի և (օգտագործելով փոխարկիչներ) Tensorflow-ը և Core ML-ը: ONNX-ի հիմքում ընկած սկզբունքն այն է, որ մոդելը վարժեցվի կույտի վրա և իրականացնի այն՝ օգտագործելով այլ եզրակացություններ և կանխատեսումներ:
LF AI Foundation-ը, Linux Foundation-ի ենթակազմակերպությունը, կազմակերպություն է, որը նվիրված է էկոհամակարգի ստեղծմանը աջակցելու համար: բաց աղբյուր նորարարություն արհեստական ինտելեկտի (AI), մեքենայական ուսուցման (ML) և խորը ուսուցման (DL) ոլորտում: Այն ավելացրեց ONNX-ը որպես ավարտական մակարդակի նախագիծ 14 թվականի նոյեմբերի 2019-ին: ONNX-ի այս քայլը LF AI հիմնադրամի հովանու ներքո համարվում էր կարևոր իրադարձություն ONNX-ը որպես վաճառողի կողմից չեզոք բաց ձևաչափի ստանդարտ ստեղծելու գործում:
ONNX Model Zoo-ը խորը ուսուցման նախապես պատրաստված մոդելների հավաքածու է, որը հասանելի է ONNX ձևաչափով: Յուրաքանչյուր մոդելի համար կան Jupyter նոթատետրեր մոդելի ուսուցման և վերապատրաստված մոդելի հետ եզրակացություն կատարելու համար: Նոթատետրերը գրված են Python-ով և պարունակում են հղումներ դեպի վերապատրաստման տվյալների բազա և հղումներ բնօրինակ գիտական փաստաթղթին, որը նկարագրում է մոդելային ճարտարապետությունը:
ԿԱՐԵՎՈՐ մասեր
- Շրջանակային փոխգործունակություն
- Սարքավորումների օպտիմիզացում
Եզրափակում
Սա լավագույն շրջանակների ամփոփումն է խորը ուսուցում. Այս նպատակով կան մի քանի շրջանակներ՝ անվճար կամ վճարովի: Ձեր նախագծի համար լավագույնն ընտրելու համար նախ իմացեք, թե որ հարթակի համար եք մշակելու ձեր հավելվածը:
Ընդհանուր շրջանակները, ինչպիսիք են TensorFlow-ը և Keras-ը, լավագույն տարբերակներն են սկսելու համար: Բայց եթե Ձեզ անհրաժեշտ է օգտագործել ՕՀ կամ սարքի հատուկ առավելությունները, ապա Core ML-ը և Microsoft Cognitive Toolkit-ը կարող են լինել լավագույն տարբերակները:
Կան այլ շրջանակներ, որոնք ուղղված են Android սարքերին, այլ մեքենաներին և հատուկ նպատակներին, որոնք նշված չեն այս ցանկում: Եթե վերջին խումբը ձեզ հետաքրքրում է, առաջարկում ենք որոնել նրանց տեղեկությունները Google-ում կամ մեքենայական ուսուցման այլ կայքերում:
Թողնել գրառում