Daftar Isi[Bersembunyi][Menunjukkan]
Kerangka kerja untuk pembelajaran mendalam terdiri dari kombinasi antarmuka, pustaka, dan alat untuk mendefinisikan dan melatih model Pembelajaran Mesin dengan cepat dan akurat.
Karena pembelajaran mendalam menggunakan sejumlah besar data non-tekstual yang tidak terstruktur, Anda memerlukan kerangka kerja yang mengontrol interaksi antara "lapisan" dan membuat pengembangan model menjadi cepat dengan belajar dari data input dan membuat keputusan otonom.
Jika Anda tertarik untuk mempelajari deep learning pada tahun 2021, pertimbangkan untuk menggunakan salah satu kerangka kerja yang ditunjukkan di bawah ini. Ingatlah untuk memilih satu yang akan membantu Anda mencapai tujuan dan visi Anda.
1. TensorFlow
Ketika berbicara tentang pembelajaran yang mendalam, TensorFlow sering merupakan kerangka kerja pertama yang disebutkan. Sangat populer, kerangka kerja ini tidak hanya digunakan oleh Google – perusahaan yang bertanggung jawab atas pembuatannya – tetapi juga oleh perusahaan lain seperti Dropbox, eBay, Airbnb, Nvidia, dan banyak lainnya.
TensorFlow dapat digunakan untuk mengembangkan API tingkat tinggi dan rendah, yang memungkinkan Anda menjalankan aplikasi di hampir semua jenis perangkat. Meskipun Python adalah bahasa utamanya, antarmuka Tensoflow dapat diakses dan dikontrol menggunakan bahasa pemrograman lain seperti C++, Java, Julia, dan JavaScript.
Menjadi open-source, TensorFlow memungkinkan Anda membuat beberapa integrasi dengan API lain dan mendapatkan dukungan serta pembaruan cepat dari komunitas. Ketergantungannya pada "grafik statis" untuk perhitungan memungkinkan Anda membuat perhitungan langsung atau menyimpan operasi untuk akses di lain waktu. Alasan-alasan ini, ditambah dengan kemungkinan bahwa Anda dapat "menonton" perkembangan jaringan saraf Anda melalui TensorBoard, menjadikan TensorFlow sebagai kerangka kerja paling populer untuk pembelajaran mendalam.
Fitur utama
- Open-source
- keluwesan
- Debug cepat
2. PyTorch
PyTorch adalah kerangka kerja yang dikembangkan oleh Facebook untuk mendukung pengoperasian layanannya. Sejak menjadi open-source, framework ini telah digunakan oleh perusahaan selain Facebook, seperti Salesforce dan Udacity.
Kerangka kerja ini mengoperasikan grafik yang diperbarui secara dinamis, memungkinkan Anda membuat perubahan pada arsitektur kumpulan data saat Anda memprosesnya. Dengan PyTorch, lebih mudah untuk mengembangkan dan melatih jaringan saraf, bahkan tanpa pengalaman apa pun dalam pembelajaran mendalam.
Menjadi open-source dan berdasarkan Python, Anda dapat membuat integrasi sederhana dan cepat ke PyTorch. Ini juga merupakan kerangka kerja sederhana untuk dipelajari, digunakan, dan di-debug. Jika Anda memiliki pertanyaan, Anda dapat mengandalkan dukungan dan pembaruan hebat dari kedua komunitas – komunitas Python dan komunitas PyTorch.
Fitur utama
- Mudah untuk dipelajari
- Mendukung GPU dan CPU
- Kumpulan API yang kaya untuk memperluas perpustakaan
3. Apache MX Net
Karena skalabilitasnya yang tinggi, kinerja tinggi, pemecahan masalah yang cepat, dan dukungan GPU tingkat lanjut, kerangka kerja ini dibuat oleh Apache untuk digunakan dalam proyek industri besar.
MXNet menyertakan antarmuka Gluon yang memungkinkan pengembang dari semua tingkat keahlian untuk mulai dengan pembelajaran yang mendalam di cloud, di perangkat edge, dan di aplikasi seluler. Hanya dalam beberapa baris kode Gluon, Anda dapat membangun regresi linier, jaringan konvolusi, dan LSTM berulang untuk deteksi objek, pengenalan ucapan, rekomendasi, dan personalisasi.
MXNet dapat digunakan di berbagai perangkat dan didukung oleh beberapa bahasa pemrograman seperti Java, R, JavaScript, Scala dan Go. Meskipun jumlah pengguna dan anggota dalam komunitasnya rendah, MXNet memiliki dokumentasi yang ditulis dengan baik dan potensi pertumbuhan yang besar, terutama sekarang karena Amazon telah memilih kerangka kerja ini sebagai alat utama untuk Pembelajaran Mesin di AWS.
Fitur utama
- 8 ikatan bahasa
- Pelatihan Terdistribusi, mendukung sistem multi-CPU dan multi-GPU
- Front-end hybrid, memungkinkan untuk beralih antara mode imperatif dan simbolis
4. Toolkit Kognitif Microsoft
Jika Anda berpikir untuk mengembangkan aplikasi atau layanan yang berjalan di Azure (layanan cloud Microsoft), Microsoft Cognitive Toolkit adalah kerangka kerja yang dapat dipilih untuk proyek pembelajaran mendalam Anda. Ini adalah open-source, dan didukung oleh bahasa pemrograman seperti Python, C++, C#, Java, antara lain. Kerangka kerja ini dirancang untuk "berpikir seperti otak manusia", sehingga dapat memproses sejumlah besar data tidak terstruktur, sambil menawarkan pelatihan cepat dan arsitektur intuitif.
Dengan memilih kerangka kerja ini – kerangka kerja yang sama di belakang Skype, Xbox, dan Cortana – Anda akan mendapatkan kinerja yang baik dari aplikasi Anda, skalabilitas, dan integrasi sederhana dengan Azure. Namun, jika dibandingkan dengan TensorFlow atau PyTorch, jumlah anggota di komunitas dan dukungannya berkurang.
Video berikut menawarkan pengenalan lengkap dan contoh aplikasi:
Fitur utama
- Dokumentasi yang jelas
- Dukungan dari tim Microsoft
- Visualisasi grafik langsung
5. Keras
Seperti PyTorch, Keras adalah pustaka berbasis Python untuk proyek yang membutuhkan banyak data. API keras bekerja pada level tinggi dan memungkinkan integrasi dengan API level rendah seperti TensorFlow, Theano, dan Microsoft Cognitive Toolkit.
Beberapa keuntungan menggunakan keras adalah kesederhanaannya untuk dipelajari – menjadi kerangka kerja yang direkomendasikan untuk pemula dalam pembelajaran mendalam; kecepatan penyebarannya; mendapat dukungan besar dari komunitas python dan dari komunitas kerangka kerja lain yang terintegrasi dengannya.
Keras berisi berbagai implementasi dari blok bangunan jaringan saraf seperti lapisan, fungsi tujuan, fungsi aktivasi, dan pengoptimal matematika. Kodenya di-host di GitHub dan ada forum dan saluran dukungan Slack. Selain dukungan untuk standar jaringan saraf, Keras menawarkan dukungan untuk Convolutional Neural Networks dan Recurrent Neural Networks.
Keras memungkinkan model pembelajaran mendalam untuk dibuat di ponsel cerdas di iOS dan Android, di Java Virtual Machine, atau di web. Ini juga memungkinkan penggunaan pelatihan terdistribusi dari model pembelajaran mendalam pada kelompok Unit Pemrosesan Grafik (GPU) dan Unit Pemrosesan Tensor (TPU).
Fitur utama
- Model pra-terlatih
- Beberapa dukungan backend
- Dukungan komunitas yang ramah pengguna dan besar
6. Apple Inti ML
Core ML dikembangkan oleh Apple untuk mendukung ekosistemnya – iOS, Mac OS, dan iPad OS. API-nya bekerja pada tingkat rendah, memanfaatkan sumber daya CPU dan GPU dengan baik, yang memungkinkan model dan aplikasi yang dibuat untuk tetap berjalan bahkan tanpa koneksi internet, yang mengurangi "jejak memori" dan konsumsi daya perangkat.
Cara Core ML menyelesaikan ini tidak persis dengan membuat perpustakaan pembelajaran mesin lain yang dioptimalkan untuk berjalan di iphone/ipad. Sebaliknya, Core ML lebih seperti kompiler yang mengambil spesifikasi model dan parameter terlatih yang diekspresikan dengan perangkat lunak pembelajaran mesin lainnya dan mengubahnya menjadi file yang menjadi sumber daya untuk aplikasi iOS. Konversi ke model Core ML ini terjadi selama pengembangan aplikasi, tidak secara real-time saat aplikasi sedang digunakan, dan difasilitasi oleh pustaka python coremltools.
Core ML menghadirkan kinerja yang cepat dengan integrasi yang mudah dari Mesin belajar model ke dalam aplikasi. Ini mendukung pembelajaran mendalam dengan lebih dari 30 jenis lapisan serta pohon keputusan, mesin vektor pendukung, dan metode regresi linier, semuanya dibangun di atas teknologi tingkat rendah seperti Metal dan Accelerate.
Fitur utama
- Mudah diintegrasikan ke dalam aplikasi
- Penggunaan sumber daya lokal secara optimal, tidak memerlukan akses internet
- Privasi: data tidak harus keluar dari perangkat
7. ONNX
Kerangka kerja terakhir dalam daftar kami adalah ONNX. Kerangka kerja ini muncul dari kolaborasi antara Microsoft dan Facebook, dengan tujuan menyederhanakan proses transfer dan membangun model antara kerangka kerja, alat, runtime, dan kompiler yang berbeda.
ONNX mendefinisikan jenis file umum yang dapat berjalan di beberapa platform, sambil memanfaatkan manfaat API tingkat rendah seperti yang dari Microsoft Cognitive Toolkit, MXNet, Caffe dan (menggunakan konverter) Tensorflow dan Core ML. Prinsip di balik ONNX adalah melatih model pada tumpukan dan mengimplementasikannya menggunakan inferensi dan prediksi lain.
LF AI Foundation, sub-organisasi dari Linux Foundation, adalah organisasi yang didedikasikan untuk membangun ekosistem untuk mendukung open-source inovasi dalam kecerdasan buatan (AI), pembelajaran mesin (ML), dan pembelajaran mendalam (DL). Ia menambahkan ONNX sebagai proyek tingkat pascasarjana pada 14 November 2019. Langkah ONNX di bawah payung LF AI Foundation ini dipandang sebagai tonggak penting dalam menetapkan ONNX sebagai standar format terbuka yang netral vendor.
Kebun Binatang Model ONNX adalah kumpulan model yang telah dilatih sebelumnya dalam Pembelajaran Mendalam yang tersedia dalam format ONNX. Untuk setiap model ada Notebook Jupyter untuk pelatihan model dan melakukan inferensi dengan model yang dilatih. Buku catatan ditulis dengan Python dan berisi tautan ke set data pelatihan dan referensi ke dokumen ilmiah asli yang menjelaskan arsitektur model.
Fitur utama
- Interoperabilitas kerangka kerja
- Optimasi Perangkat Keras
Kesimpulan
Ini adalah ringkasan kerangka kerja terbaik untuk belajar mendalam. Ada beberapa kerangka kerja untuk tujuan ini, gratis atau berbayar. Untuk memilih yang terbaik untuk proyek Anda, pertama-tama ketahui untuk platform mana Anda akan mengembangkan aplikasi Anda.
Kerangka kerja umum seperti TensorFlow dan Keras adalah opsi terbaik untuk memulai. Tetapi jika Anda perlu menggunakan OS atau keunggulan khusus perangkat, maka Core ML dan Microsoft Cognitive Toolkit mungkin merupakan opsi terbaik.
Ada kerangka kerja lain yang ditujukan untuk perangkat Android, mesin lain, dan tujuan khusus yang belum disebutkan dalam daftar ini. Jika kelompok yang terakhir menarik minat Anda, sebaiknya lakukan pencarian informasi mereka di Google atau situs pembelajaran mesin lainnya.
Tinggalkan Balasan