Rammi fyrir djúpt nám samanstendur af blöndu af viðmótum, bókasöfnum og verkfærum til að skilgreina og þjálfa vélanámslíkön hratt og örugglega.
Vegna þess að djúpnám notar mikið magn af óskipulögðum gögnum sem eru ekki textabundin þarftu ramma sem stjórnar samspili „laganna“ og gerir módelþróun hratt með því að læra af inntaksgögnunum og taka sjálfstæðar ákvarðanir.
Ef þú hefur áhuga á að læra um djúpt nám árið 2021 skaltu íhuga að nota einn af rammanum sem tilgreindir eru hér að neðan. Mundu að velja einn sem mun hjálpa þér að ná markmiðum þínum og framtíðarsýn.
1. TensorFlow
Þegar talað er um djúpt nám, TensorFlow er oft fyrsti ramminn sem nefndur er. Þessi rammi er mjög vinsæll og er ekki aðeins notaður af Google - fyrirtækinu sem ber ábyrgð á stofnun þess - heldur einnig af öðrum fyrirtækjum eins og Dropbox, eBay, Airbnb, Nvidia og svo mörgum öðrum.
TensorFlow er hægt að nota til að þróa há- og lágstig API, sem gerir þér kleift að keyra forrit á nánast hvaða tæki sem er. Þrátt fyrir að Python sé aðaltungumálið er hægt að nálgast og stjórna viðmóti Tensoflow með því að nota önnur forritunarmál eins og C++, Java, Julia og JavaScript.
Þar sem TensorFlow er opinn uppspretta gerir þér kleift að gera nokkrar samþættingar við önnur API og fá skjótan stuðning og uppfærslur frá samfélaginu. Að treysta á „truflanir línurit“ fyrir útreikninga gerir þér kleift að gera tafarlausa útreikninga eða vista aðgerðir til að fá aðgang á öðrum tíma. Þessar ástæður, bætt við möguleikann á að þú getir „fylgst með“ þróun taugakerfisins þíns í gegnum TensorBoard, gera TensorFlow að vinsælasta rammanum fyrir djúpt nám.
Lykil atriði
- Opinn aðgangur
- Sveigjanleiki
- Hröð kembiforrit
2. PyTorch
PyTorch er rammi þróaður af Facebook til að styðja við rekstur þjónustu þess. Síðan hann varð opinn uppspretta hefur þessi rammi verið notaður af öðrum fyrirtækjum en Facebook, eins og Salesforce og Udacity.
Þessi rammi rekur kraftmikið uppfærð línurit, sem gerir þér kleift að gera breytingar á arkitektúr gagnasafnsins þíns þegar þú vinnur úr því. Með PyTorch er einfaldara að þróa og þjálfa taugakerfi, jafnvel án nokkurrar reynslu í djúpnámi.
Þar sem þú ert opinn og byggður á Python geturðu gert einfaldar og hraðvirkar samþættingar við PyTorch. Það er líka einfalt rammi til að læra, nota og kemba. Ef þú hefur spurningar geturðu treyst á frábæran stuðning og uppfærslur frá báðum samfélögum – Python samfélaginu og PyTorch samfélaginu.
Lykil atriði
- Auðvelt að læra
- Styður GPU og CPU
- Ríkt sett af API til að stækka bókasöfn
3. Apache MX net
Vegna mikillar sveigjanleika, mikillar afkasta, hraðrar bilanaleitar og háþróaðs GPU stuðnings, var þessi rammi búin til af Apache til notkunar í stórum iðnaðarverkefnum.
MXNet inniheldur Gluon viðmótið sem gerir forriturum á öllum færnistigum kleift byrjaðu á djúpu námi í skýinu, á jaðartækjum og í farsímaforritum. Með örfáum línum af Gluon kóða geturðu byggt upp línulega aðhvarf, snúningsnet og endurteknar LSTM fyrir hlutgreining, talgreining, meðmæli og sérstillingu.
MXNet er hægt að nota á ýmsum tækjum og er stutt af nokkrum forritunarmál eins og Java, R, JavaScript, Scala og Go. Þrátt fyrir að fjöldi notenda og meðlima í samfélagi þess sé lítill, hefur MXNet vel skrifuð skjöl og mikla möguleika til vaxtar, sérstaklega núna þegar Amazon hefur valið þennan ramma sem aðal tól fyrir vélanám á AWS.
Lykil atriði
- 8 málbindingar
- Dreifð þjálfun, styður multi-CPU og multi-GPU kerfi
- Hybrid framhlið, sem gerir kleift að skipta á milli nauðsynlegra og táknrænna stillinga
4. Microsoft vitræn tól
Ef þú ert að hugsa um að þróa forrit eða þjónustu sem keyra á Azure (Microsoft skýjaþjónusta), er Microsoft Cognitive Toolkit ramminn til að velja fyrir djúpnámsverkefnin þín. Þetta er opinn uppspretta og stutt af forritunarmálum eins og Python, C++, C#, Java, meðal annarra. Þessi rammi er hannaður til að „hugsa eins og mannsheilinn“, svo hann getur unnið úr miklu magni af óskipulögðum gögnum á sama tíma og hann býður upp á hraðþjálfun og leiðandi arkitektúr.
Með því að velja þennan ramma – sá sami á bak við Skype, Xbox og Cortana – færðu góðan árangur frá forritunum þínum, sveigjanleika og einfalda samþættingu við Azure. Hins vegar, í samanburði við TensorFlow eða PyTorch, er fjöldi meðlima í samfélagi þess og stuðningur minnkaður.
Eftirfarandi myndband býður upp á fullkomna kynningu og notkunardæmi:
Lykil atriði
- Skýr skjöl
- Stuðningur frá Microsoft teymi
- Bein myndrit
5. Keras
Eins og PyTorch, er Keras Python-undirstaða bókasafn fyrir gagnafrek verkefni. Keras API virkar á háu stigi og gerir samþættingu við lágstig API eins og TensorFlow, Theano og Microsoft Cognitive Toolkit.
Sumir kostir þess að nota keras eru einfaldleiki þess að læra - að vera ráðlagður rammi fyrir byrjendur í djúpnámi; hraða dreifingar þess; með mikinn stuðning frá python samfélaginu og frá samfélögum annarra ramma sem það er samþætt.
Keras inniheldur ýmsar útfærslur á byggingareiningar tauganeta eins og lög, hlutlægar aðgerðir, virkjunaraðgerðir og stærðfræðilega fínstillingu. Kóðinn hans er hýstur á GitHub og það eru spjallborð og Slack stuðningsrás. Auk þess að styðja við staðlaða taugakerfi, Keras býður upp á stuðning fyrir Convolutional Neural Networks og Recurrent Neural Networks.
Keras leyfir djúpnámslíkön til að búa til í snjallsímum á bæði iOS og Android, á Java sýndarvél eða á vefnum. Það gerir einnig kleift að nota dreifða þjálfun djúpnámslíkana á þyrpingum af grafískum vinnslueiningum (GPU) og Tensor Processing Units (TPU).
Lykil atriði
- Forþjálfaðar módel
- Stuðningur við marga bakenda
- Notendavænn og stór samfélagsstuðningur
6. Apple Core ML
Core ML var þróað af Apple til að styðja vistkerfi þess - IOS, Mac OS og iPad OS. API þess virkar á lágu stigi og nýtir vel auðlindir CPU og GPU, sem gerir módel og forrit sem búin eru til að halda áfram að keyra jafnvel án nettengingar, sem dregur úr „minnisfótspori“ og orkunotkun tækisins.
Leiðin sem Core ML nær þessu er ekki nákvæmlega með því að búa til enn eitt vélanámssafnið sem er fínstillt til að keyra á iphone/ipads. Þess í stað er Core ML meira eins og þýðandi sem tekur líkanaforskriftir og þjálfaðar breytur sem eru gefnar upp með öðrum vélanámshugbúnaði og breytir því í skrá sem verður auðlind fyrir iOS app. Þessi umbreyting í Core ML líkan á sér stað við þróun forrita, ekki í rauntíma þar sem forritið er notað, og er auðveldað af coremltools python bókasafninu.
Core ML skilar hröðum afköstum með auðveldri samþættingu vél nám módel í forrit. Það styður djúpt nám með yfir 30 tegundum laga auk ákvörðunartrjáa, stuðnings vektorvéla og línulegrar aðhvarfsaðferða, allt byggt ofan á tækni á lágu stigi eins og Metal og Accelerate.
Lykil atriði
- Auðvelt að fella inn í öpp
- Besta nýting staðbundinna auðlinda, krefst ekki internetaðgangs
- Persónuvernd: gögnin þurfa ekki að fara úr tækinu
7. ONNX
Síðasti ramminn á listanum okkar er ONNX. Þessi rammi varð til úr samstarfi milli Microsoft og Facebook, með það að markmiði að einfalda ferlið við að flytja og byggja líkön á milli mismunandi ramma, verkfæra, keyrslutíma og þýðenda.
ONNX skilgreinir algenga skráartegund sem getur keyrt á mörgum kerfum, á meðan hún nýtir kosti lágstigs API eins og frá Microsoft Cognitive Toolkit, MXNet, Caffe og (með því að nota breytur) Tensorflow og Core ML. Meginreglan á bak við ONNX er að þjálfa líkan á stafla og útfæra það með því að nota aðrar ályktanir og spár.
LF AI Foundation, undirstofnun Linux Foundation, er stofnun sem leggur áherslu á að byggja upp vistkerfi til að styðja við opinn-uppspretta nýsköpun í gervigreind (AI), vélanámi (ML) og djúpnámi (DL). Það bætti ONNX við sem framhaldsnámsverkefni þann 14. nóvember 2019. Þessi flutningur ONNX undir regnhlíf LF AI Foundation var talinn mikilvægur áfangi í að koma ONNX á fót sem seljandahlutlausan staðal á opnu sniði.
ONNX líkandýragarðurinn er safn af forþjálfuðum módelum í Deep Learning sem er fáanlegt á ONNX sniði. Fyrir hverja gerð eru til Jupyter minnisbækur fyrir líkanaþjálfun og framkvæma ályktanir með þjálfaða líkaninu. Glósubækurnar eru skrifaðar í Python og innihalda tengla á þjálfunargagnasett og tilvísanir í upprunalega vísindaskjalið sem lýsir fyrirmyndararkitektúrnum.
Lykil atriði
- Samvirkni ramma
- Hagræðing vélbúnaðar
Niðurstaða
Þetta er samantekt á bestu ramma fyrir djúpt nám. Það eru nokkrir rammar í þessu skyni, ókeypis eða greiddir. Til að velja það besta fyrir verkefnið þitt skaltu fyrst vita fyrir hvaða vettvang þú munt þróa forritið þitt.
Almennar rammar eins og TensorFlow og Keras eru bestu valkostirnir til að byrja. En ef þú þarft að nota stýrikerfi eða tæki sérstaka kosti, þá gætu Core ML og Microsoft Cognitive Toolkit verið bestu kostirnir.
Það eru aðrir rammar sem miða að Android tækjum, öðrum vélum og sérstökum tilgangi sem hafa ekki verið nefndir á þessum lista. Ef síðarnefndi hópurinn hefur áhuga á þér, mælum við með að þú leitir að upplýsingum þeirra á Google eða öðrum vélanámssíðum.
Skildu eftir skilaboð