Bab lan Paragraf[Singidaken][Tampilake]
Kerangka kanggo sinau jero kalebu kombinasi antarmuka, perpustakaan lan alat kanggo nemtokake lan nglatih model Machine Learning kanthi cepet lan akurat.
Amarga sinau jero nggunakake akeh data non-tekstual sing ora terstruktur, sampeyan butuh kerangka kerja sing ngontrol interaksi antarane "lapisan" lan nggawe pangembangan model kanthi cepet kanthi sinau saka data input lan nggawe keputusan otonom.
Yen sampeyan kepengin sinau babagan sinau jero ing 2021, coba gunakake salah sawijining kerangka kerja sing dituduhake ing ngisor iki. Elinga milih salah siji sing bakal mbantu sampeyan nggayuh tujuan lan visi.
1. TensorFlow
Nalika ngomong babagan sinau jero, TensorFlow asring framework pisanan kasebut. Paling populer, kerangka iki ora mung digunakake dening Google - perusahaan sing tanggung jawab kanggo nggawe - nanging uga perusahaan liyane kaya Dropbox, eBay, Airbnb, Nvidia, lan liya-liyane.
TensorFlow bisa digunakake kanggo ngembangake API tingkat dhuwur lan kurang, ngidini sampeyan mbukak aplikasi ing meh kabeh piranti. Sanajan Python minangka basa utami, antarmuka Tensoflow bisa diakses lan dikontrol nggunakake basa pamrograman liyane kayata C++, Java, Julia, lan JavaScript.
Dadi sumber terbuka, TensorFlow ngidini sampeyan nggawe sawetara integrasi karo API liyane lan entuk dhukungan cepet lan nganyari saka komunitas. Ketergantungan ing "grafik statis" kanggo komputasi ngidini sampeyan nggawe petungan langsung utawa nyimpen operasi kanggo akses ing wektu liyane. Alasan kasebut, ditambahake kemungkinan sampeyan bisa "nonton" pangembangan jaringan saraf liwat TensorBoard, nggawe TensorFlow kerangka paling populer kanggo sinau jero.
Fitur Key
- Open-sumber
- keluwesan
- Debugging cepet
2. PyTorch
PyTorch minangka kerangka kerja sing dikembangake dening Facebook kanggo ndhukung operasi layanane. Wiwit dadi open-source, kerangka iki wis digunakake dening perusahaan liyane saka Facebook, kayata Salesforce lan Udacity.
Kerangka iki ngoperasikake grafik sing dianyari kanthi dinamis, ngidini sampeyan ngowahi arsitektur set data nalika sampeyan ngolah. Kanthi PyTorch, luwih gampang ngembangake lan nglatih jaringan saraf, sanajan tanpa pengalaman sinau jero.
Dadi sumber terbuka lan adhedhasar Python, sampeyan bisa nggawe integrasi sing gampang lan cepet menyang PyTorch. Iku uga framework prasaja kanggo sinau, nggunakake, lan debug. Yen sampeyan duwe pitakon, sampeyan bisa ngandelake dhukungan lan nganyari sing apik saka komunitas kasebut - komunitas Python lan komunitas PyTorch.
Fitur Key
- Gampang kanggo sinau
- Ndhukung GPU lan CPU
- Set sugih API kanggo ngluwihi perpustakaan
3. Apache MX Net
Amarga skalabilitas sing dhuwur, kinerja dhuwur, ngatasi masalah cepet, lan dhukungan GPU sing canggih, kerangka iki digawe dening Apache kanggo digunakake ing proyek industri gedhe.
MXNet kalebu antarmuka Gluon sing ngidini gawe kabeh tingkat skill kanggo miwiti sinau jero ing méga, ing piranti pinggiran, lan ing aplikasi seluler. Mung sawetara baris kode Gluon, sampeyan bisa mbangun kemunduran linier, jaringan convolutional lan LSTM ambalan kanggo Deteksi obyek, pangenalan wicara, rekomendasi, lan personalisasi.
MXNet bisa digunakake ing macem-macem piranti lan didhukung dening sawetara basa pemrograman kayata Java, R, JavaScript, Scala lan Go. Sanajan jumlah pangguna lan anggota ing komunitase sithik, MXNet duwe dokumentasi sing ditulis kanthi apik lan potensial gedhe kanggo tuwuh, utamane saiki Amazon wis milih kerangka iki minangka alat utama kanggo Machine Learning ing AWS.
Fitur Key
- 8 ikatan basa
- Distributed Training, ndhukung sistem multi-CPU lan multi-GPU
- Front-end hibrida, ngidini ngalih ing antarane mode imperatif lan simbolis
4. Microsoft Cognitive Toolkit
Yen sampeyan mikir ngembangake aplikasi utawa layanan sing mlaku ing Azure (layanan awan Microsoft), Microsoft Cognitive Toolkit minangka kerangka sing kudu dipilih kanggo proyek sinau jero. Iki minangka sumber terbuka, lan didhukung basa pamrograman kayata Python, C++, C#, Java, lan liya-liyane. Kerangka iki dirancang kanggo "mikir kaya otak manungsa", supaya bisa ngolah data sing ora terstruktur kanthi akeh, nalika nawakake latihan cepet lan arsitektur intuisi.
Kanthi milih kerangka iki - sing padha karo Skype, Xbox, lan Cortana - sampeyan bakal entuk kinerja sing apik saka aplikasi, skalabilitas lan integrasi sing gampang karo Azure. Nanging, yen dibandhingake karo TensorFlow utawa PyTorch, jumlah anggota ing komunitas lan dhukungan bakal suda.
Video ing ngisor iki nawakake introduksi lengkap lan conto aplikasi:
Fitur Key
- Mbusak dokumentasi
- Dhukungan saka tim Microsoft
- Visualisasi grafik langsung
5. Keras
Kaya PyTorch, Keras minangka perpustakaan berbasis Python kanggo proyek data-intensif. API keras bisa digunakake ing tingkat dhuwur lan ngidini integrasi karo API tingkat rendah kayata TensorFlow, Theano, lan Microsoft Cognitive Toolkit.
Sawetara kaluwihan nggunakake keras yaiku kesederhanaan kanggo sinau - dadi kerangka kerja sing disaranake kanggo pamula sinau jero; kacepetan panyebaran sawijining; duwe dhukungan gedhe saka komunitas python lan saka komunitas kerangka kerja liyane sing digabungake.
Keras ngemot macem-macem implementasine saka blok bangunan jaringan syaraf kayata lapisan, fungsi objektif, fungsi aktivasi, lan pangoptimal matematika. Kode kasebut di-host ing GitHub lan ana forum lan saluran dhukungan Slack. Saliyane support kanggo standar jaringan saraf, Keras nawakake dhukungan kanggo Convolutional Neural Networks lan Recurrent Neural Networks.
Keras ngidini model sinau jero bakal digawe ing smartphone ing iOS lan Android, ing Java Virtual Machine, utawa ing web. Iki uga ngidini nggunakake latihan disebarake model pembelajaran jero ing klompok Unit Pemrosesan Grafis (GPU) lan Unit Pemrosesan Tensor (TPU).
Fitur Key
- Model sing wis dilatih
- Dhukungan backend multi
- Dhukungan komunitas pangguna-loropaken lan gedhe
6. Apple Core ML Kab
Core ML dikembangake dening Apple kanggo ndhukung ekosistem - IOS, Mac OS, lan iPad OS. API sawijining dianggo ing tingkat kurang, nggawe apik nggunakake CPU lan sumber daya GPU kang, sing ngidini model lan aplikasi digawe kanggo terus mlaku sanajan tanpa sambungan internet, kang nyuda "jejak memori" lan konsumsi daya saka piranti.
Cara Core ML ngrampungake iki ora persis kanthi nggawe perpustakaan pembelajaran mesin liyane sing dioptimalake kanggo mlaku ing iPhone / iPad. Nanging, Core ML luwih kaya kompiler sing njupuk spesifikasi model lan paramèter sing dilatih sing dituduhake karo piranti lunak pembelajaran mesin liyane lan ngowahi file kasebut dadi sumber daya kanggo aplikasi iOS. Konversi iki dadi model inti ML kedadeyan sajrone pangembangan app, ora ing wektu nyata amarga aplikasi digunakake, lan difasilitasi dening perpustakaan python coremltools.
Inti ML ngirim kinerja cepet karo integrasi gampang saka learning machine model menyang aplikasi. Ndhukung sinau jero kanthi luwih saka 30 jinis lapisan uga wit keputusan, mesin vektor dhukungan, lan metode regresi linier, kabeh dibangun ing ndhuwur teknologi tingkat rendah kayata Metal lan Accelerate.
Fitur Key
- Gampang kanggo nggabungake menyang app
- Panggunaan optimal sumber daya lokal, ora mbutuhake akses internet
- Privasi: data ora kudu ninggalake piranti
7. ONNX
Kerangka pungkasan ing dhaptar kita yaiku ONNX. Kerangka iki muncul saka kolaborasi antarane Microsoft lan Facebook, kanthi tujuan nyederhanakake proses transfer lan mbangun model ing antarane kerangka kerja, alat, runtime lan compiler sing beda.
ONNX nemtokake jinis file umum sing bisa mlaku ing pirang-pirang platform, nalika nggunakake keuntungan saka API tingkat rendah kayata saka Microsoft Cognitive Toolkit, MXNet, Caffe lan (nggunakake konverter) Tensorflow lan Core ML. Prinsip ing mburi ONNX yaiku nglatih model ing tumpukan lan ngleksanakake nggunakake inferensi lan prediksi liyane.
LF AI Foundation, sub-organisasi saka Linux Foundation, minangka organisasi sing darmabakti kanggo mbangun ekosistem kanggo ndhukung. Open-sumber inovasi ing artificial intelligence (AI), machine learning (ML), lan deep learning (DL). Iki nambahake ONNX minangka proyek tingkat pascasarjana ing 14 November 2019. Gerakan ONNX iki ing sangisore payung Yayasan LF AI katon minangka tonggak penting kanggo netepake ONNX minangka standar format terbuka sing netral vendor.
ONNX Model Zoo minangka koleksi model sing wis dilatih ing Deep Learning kasedhiya ing format ONNX. Kanggo saben model ana Jupyter notebook kanggo latihan model lan nindakake inferensi karo model sing dilatih. Notebook ditulis ing Python lan ngemot pranala menyang training dataset lan referensi kanggo dokumen ilmiah asli njlentrehke arsitektur model.
Fitur Key
- Interoperabilitas kerangka
- Optimasi Hardware
kesimpulan
Iki minangka ringkesan kerangka kerja sing paling apik kanggo sinau jero. Ana sawetara kerangka kanggo tujuan iki, gratis utawa mbayar. Kanggo milih sing paling apik kanggo proyek sampeyan, luwih dhisik ngerti platform apa sampeyan bakal ngembangake aplikasi sampeyan.
Kerangka umum kaya TensorFlow lan Keras minangka pilihan sing paling apik kanggo miwiti. Nanging yen sampeyan kudu nggunakake OS utawa kaluwihan khusus piranti, banjur Core ML lan Microsoft Cognitive Toolkit bisa dadi pilihan sing paling apik.
Ana kerangka kerja liyane sing dituju kanggo piranti Android, mesin liyane, lan tujuan khusus sing durung kasebut ing dhaptar iki. Yen grup terakhir sampeyan kepengin weruh, disaranake nggoleki informasi ing Google utawa situs pembelajaran mesin liyane.
Ninggalake a Reply