Eitt af þekktustu verkfærunum til að þróa vélanámslíkön er TensorFlow. Við notum TensorFlow í mörgum forritum í ýmsum atvinnugreinum.
Í þessari færslu munum við skoða nokkrar af TensorFlow gervigreindarlíkönunum. Þess vegna getum við búið til greindarkerfi.
Við munum einnig fara í gegnum ramma sem TensorFlow býður upp á til að búa til gervigreind módel. Svo skulum við byrja!
Stutt kynning á TensorFlow
TensorFlow frá Google er opinn uppspretta vél nám hugbúnaðarpakka. Það felur í sér verkfæri til að þjálfa og dreifa vélanáms módel á mörgum kerfum. og tæki, auk stuðnings við djúpt nám og taugakerfi.
TensorFlow gerir forriturum kleift að búa til líkön fyrir margs konar forrit. Þetta felur í sér mynd- og hljóðgreiningu, náttúruleg málvinnsla og tölva sýn. Það er sterkt og aðlögunarhæft tæki með víðtækum stuðningi samfélagsins.
Til að setja TensorFlow upp á tölvunni þinni geturðu skrifað þetta í stjórnunarglugganum þínum:
pip install tensorflow
Hvernig virka gervigreind módel?
AI módel eru tölvukerfi. Þess vegna er þeim ætlað að stunda athafnir sem venjulega þurfa mannlega greind. Mynd- og talgreining og ákvarðanataka eru dæmi um slík verkefni. Gervigreind líkön eru þróuð á gríðarstórum gagnasöfnum.
Þeir nota vélanámstækni til að búa til spár og framkvæma aðgerðir. Þeir hafa nokkra notkun, þar á meðal sjálfkeyrandi bíla, persónulega aðstoðarmenn og læknisfræðilega greiningu.
Svo, hverjar eru vinsælustu TensorFlow AI módelin?
ResNet
ResNet, eða Residual Network, er mynd af convolutional tauga net. Við notum það fyrir myndflokkun og hlutgreining. Það var þróað af Microsoft vísindamönnum árið 2015. Einnig er það aðallega aðgreint með notkun leifartenginga.
Þessar tengingar gera netinu kleift að læra með góðum árangri. Þess vegna er það mögulegt með því að gera upplýsingum kleift að flæða frjálsari á milli laganna.
ResNet má útfæra í TensorFlow með því að nýta Keras API. Það veitir hágæða, notendavænt viðmót til að búa til og þjálfa taugakerfi.
Setur upp ResNet
Eftir að TensorFlow hefur verið sett upp geturðu notað Keras API til að búa til ResNet líkan. TensorFlow inniheldur Keras API, svo þú þarft ekki að setja það upp fyrir sig.
Þú getur flutt inn ResNet líkanið frá tensorflow.keras.applications. Og þú getur valið ResNet útgáfuna til að nota, til dæmis:
from tensorflow.keras.applications import ResNet50
Þú getur líka notað eftirfarandi kóða til að hlaða fyrirfram þjálfuðum lóðum fyrir ResNet:
model = ResNet50(weights='imagenet')
Með því að velja eiginleikann include_top=False geturðu notað líkanið til viðbótar til viðbótarþjálfunar eða fínstilla sérsniðna gagnasafnið þitt.
model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
Notkunarsvæði ResNet
ResNet má nota í myndflokkun. Þannig að þú getur flokkað myndir í marga hópa. Í fyrsta lagi þarftu að þjálfa ResNet líkan á stórum gagnapakka af merktum myndum. Þá getur ResNet spáð fyrir um flokk áður óséðra mynda.
ResNet er einnig hægt að nota til að greina hluti eins og að greina hluti á myndum. Við getum gert þetta með því að þjálfa fyrst ResNet líkan á safni mynda sem merktar eru með hlutum sem afmarka kassa. Síðan getum við beitt lærða líkaninu til að þekkja hluti í ferskum myndum.
Við getum líka notað ResNet fyrir merkingarfræðileg skiptingarverkefni. Þannig að við getum úthlutað merkingarmerki á hvern pixla í mynd.
Inception
Inception er djúpnámslíkan sem getur greint hluti í myndum. Google tilkynnti það árið 2014 og það greinir myndir af ýmsum stærðum með mörgum lögum. Með Inception getur líkanið þitt skilið myndina nákvæmlega.
TensorFlow er sterkt tæki til að búa til og keyra Inception módel. Það veitir hágæða og notendavænt viðmót til að þjálfa taugakerfi. Þess vegna er Inception frekar einfalt líkan til að sækja um fyrir forritara.
Setur upp Inception
Þú getur sett upp Inception með því að slá inn þessa kóðalínu.
from tensorflow.keras.applications import InceptionV3
Notkunarsvæði Inception
Einnig er hægt að nota Inception líkanið til að draga út eiginleika í djúpt nám módel eins og Generative Adversarial Networks (GANs) og Autoencoders.
Inception líkanið gæti verið fínstillt til að bera kennsl á sérstaka eiginleika. Einnig gætum við verið fær um að greina ákveðna kvilla í læknisfræðilegum myndgreiningarforritum eins og röntgengeisli, CT eða segulómun.
Inception líkanið gæti verið fínstillt til að athuga myndgæði. Við getum metið hvort mynd sé óskýr eða skörp.
Upphaf getur verið notað fyrir myndbandsgreiningarverkefni eins og rakningu á hlutum og aðgerðaskynjun.
BERT
BERT (Bidirectional Encoder Representations from Transformers) er fyrirfram þjálfað taugakerfislíkan sem Google hefur þróað. Við gætum notað það fyrir margvísleg náttúruleg málvinnsluverkefni. Þessi verkefni geta verið mismunandi frá textaflokkun til að svara spurningum.
BERT er byggt á spenni arkitektúr. Þess vegna geturðu séð um mikið magn af textainnslátt á meðan þú skilur orðatengingar.
BERT er fyrirfram þjálfað líkan sem þú getur fellt inn í TensorFlow forrit.
TensorFlow inniheldur fyrirfram þjálfað BERT líkan sem og safn af tólum til að fínstilla og beita BERT fyrir margvísleg verkefni. Þannig geturðu auðveldlega samþætt háþróaða náttúrulega málvinnslugetu BERT.
Að setja upp BERT
Með því að nota pip pakkastjórann geturðu sett upp BERT í TensorFlow:
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
Auðvelt er að setja upp CPU útgáfu TensorFlow með því að skipta tensorflow-gpu út fyrir tensorflow.
Eftir að bókasafnið hefur verið sett upp geturðu flutt inn BERT líkanið og notað það fyrir mismunandi NLP verkefni. Hér er sýnishorn af kóða til að fínstilla BERT líkan á textaflokkunarvandamáli, til dæmis:
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)
Notkunarsvið BERT
Þú getur framkvæmt textaflokkunarverkefni. Til dæmis er hægt að ná viðhorfsgreining, flokkun efnis og uppgötvun ruslpósts.
BERT hefur a Nafngreind viðurkenning á aðilum (NER) eiginleiki. Þess vegna geturðu þekkt og merkt einingar í texta eins og einstaklinga og stofnanir.
Það er hægt að nota til að svara fyrirspurnum eftir ákveðnu samhengi, svo sem í leitarvél eða spjallbotaforriti.
BERT getur verið gagnlegt fyrir tungumálaþýðingu til að auka nákvæmni vélþýðinga.
Hægt er að nota BERT fyrir textasamantekt. Þess vegna getur það veitt stuttar, gagnlegar samantektir á löngum textaskjölum.
DeepVoice
Baidu Research bjó til DeepVoice, a texti til ræðu gervilíkan.
Það var búið til með TensorFlow ramma og þjálfað á stóru safni raddgagna.
DeepVoice býr til rödd úr textainnslátt. DeepVoice gerir það mögulegt með því að nota djúpnámstækni. Það er líkan sem byggir á tauganeti.
Þess vegna greinir það inntaksgögn og býr til tal með því að nota gríðarlegan fjölda laga af tengdum hnútum.
Setur upp DeepVoice
!pip install deepvoice
Að öðrum kosti;
# Clone the DeepVoice repository
!git clone https://github.com/r9y9/DeepVoice3_pytorch.git
%cd DeepVoice3_pytorch
!pip install -r requirements.txt
Notkunarsvæði DeepVoice
Þú getur notað DeepVoice til að framleiða tal fyrir persónulega aðstoðarmenn eins og Amazon Alexa og Google Assistant.
Einnig er hægt að nota DeepVoice til að framleiða tal fyrir raddvirk tæki eins og snjallhátalara og sjálfvirknikerfi heima.
DeepVoice getur búið til rödd fyrir talþjálfunarforrit. Það getur aðstoðað sjúklinga með talvandamál við að bæta tal sitt.
Hægt er að nota DeepVoice til að búa til ræðu fyrir fræðsluefni eins og hljóðbækur og tungumálanámsforrit.
Skildu eftir skilaboð