ក្របខណ្ឌសម្រាប់ការរៀនស៊ីជម្រៅមានការរួមបញ្ចូលគ្នានៃចំណុចប្រទាក់ បណ្ណាល័យ និងឧបករណ៍ដើម្បីកំណត់ និងបណ្តុះបណ្តាលគំរូម៉ាស៊ីនរៀនយ៉ាងរហ័ស និងត្រឹមត្រូវ។
ដោយសារការរៀនជ្រៅជ្រះប្រើចំនួនដ៏ធំនៃទិន្នន័យដែលមិនមានរចនាសម្ព័ន្ធ និងមិនមែនជាអត្ថបទ អ្នកត្រូវការក្របខ័ណ្ឌដែលគ្រប់គ្រងអន្តរកម្មរវាង "ស្រទាប់" និងធ្វើឱ្យការអភិវឌ្ឍន៍គំរូលឿនដោយការរៀនពីទិន្នន័យបញ្ចូល និងធ្វើការសម្រេចចិត្តដោយស្វ័យភាព។
ប្រសិនបើអ្នកចាប់អារម្មណ៍ក្នុងការរៀនអំពីការរៀនសូត្រស៊ីជម្រៅនៅឆ្នាំ 2021 សូមពិចារណាប្រើក្របខ័ណ្ឌមួយក្នុងចំណោមក្របខ័ណ្ឌដែលបានចង្អុលបង្ហាញខាងក្រោម។ ចងចាំថាត្រូវជ្រើសរើសមួយដែលនឹងជួយអ្នកឱ្យសម្រេចបាននូវគោលដៅ និងចក្ខុវិស័យរបស់អ្នក។
1. TensorFlow
នៅពេលនិយាយអំពីការរៀនសូត្រជ្រៅ។ TensorFlow ជាញឹកញាប់គឺជាក្របខ័ណ្ឌដំបូងដែលបានលើកឡើង។ មានការពេញនិយមយ៉ាងខ្លាំង ក្របខណ្ឌនេះមិនត្រឹមតែត្រូវបានប្រើប្រាស់ដោយ Google ដែលជាក្រុមហ៊ុនទទួលខុសត្រូវចំពោះការបង្កើតរបស់វាប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងដោយក្រុមហ៊ុនផ្សេងទៀតដូចជា Dropbox, eBay, Airbnb, Nvidia និងក្រុមហ៊ុនជាច្រើនទៀត។
TensorFlow អាចត្រូវបានប្រើដើម្បីបង្កើត API កម្រិតខ្ពស់ និងទាប ដែលអនុញ្ញាតឱ្យអ្នកដំណើរការកម្មវិធីនៅលើឧបករណ៍ស្ទើរតែគ្រប់ប្រភេទ។ ទោះបីជា Python គឺជាភាសាចម្បងរបស់វាក៏ដោយ ចំណុចប្រទាក់របស់ Tensoflow អាចត្រូវបានចូលប្រើ និងគ្រប់គ្រងដោយប្រើភាសាសរសេរកម្មវិធីផ្សេងទៀតដូចជា C++, Java, Julia និង JavaScript ។
ក្នុងនាមជាប្រភពបើកចំហ TensorFlow អនុញ្ញាតឱ្យអ្នកធ្វើសមាហរណកម្មជាច្រើនជាមួយ APIs ផ្សេងទៀត ហើយទទួលបានការគាំទ្រ និងបច្ចុប្បន្នភាពរហ័សពីសហគមន៍។ ការពឹងផ្អែកលើ "ក្រាហ្វឋិតិវន្ត" សម្រាប់ការគណនាអនុញ្ញាតឱ្យអ្នកធ្វើការគណនាភ្លាមៗ ឬរក្សាទុកប្រតិបត្តិការសម្រាប់ការចូលប្រើនៅពេលផ្សេងទៀត។ ហេតុផលទាំងនេះបន្ថែមលើលទ្ធភាពដែលអ្នកអាច "មើល" ការអភិវឌ្ឍន៍បណ្តាញសរសៃប្រសាទរបស់អ្នកតាមរយៈ TensorBoard ធ្វើឱ្យ TensorFlow ក្លាយជាក្របខ័ណ្ឌដ៏ពេញនិយមបំផុតសម្រាប់ការរៀនសូត្រស៊ីជម្រៅ។
លក្ខណៈពិសេស
- ប្រភពបើកចំហ
- ភាពបត់បែន
- ការកែកំហុសរហ័ស
2. ភីធ័រ
PyTorch គឺជាក្របខ័ណ្ឌមួយដែលត្រូវបានបង្កើតឡើងដោយ Facebook ដើម្បីគាំទ្រដល់ប្រតិបត្តិការនៃសេវាកម្មរបស់ខ្លួន។ ចាប់តាំងពីក្លាយជាប្រភពបើកចំហ ក្របខ័ណ្ឌនេះត្រូវបានប្រើប្រាស់ដោយក្រុមហ៊ុនផ្សេងក្រៅពី Facebook ដូចជា Salesforce និង Udacity ។
ក្របខ័ណ្ឌនេះដំណើរការក្រាហ្វិកដែលបានធ្វើបច្ចុប្បន្នភាពថាមវន្ត ដែលអនុញ្ញាតឱ្យអ្នកធ្វើការផ្លាស់ប្តូរស្ថាបត្យកម្មនៃសំណុំទិន្នន័យរបស់អ្នកនៅពេលអ្នកដំណើរការវា។ ជាមួយនឹង PyTorch វាកាន់តែងាយស្រួលក្នុងការអភិវឌ្ឍន៍ និងបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ ទោះបីជាមិនមានបទពិសោធន៍ក្នុងការរៀនសូត្រជ្រៅជ្រះក៏ដោយ។
ក្នុងនាមជាប្រភពបើកចំហ និងផ្អែកលើ Python អ្នកអាចធ្វើសមាហរណកម្មសាមញ្ញ និងរហ័សទៅ PyTorch ។ វាក៏ជាក្របខណ្ឌដ៏សាមញ្ញមួយផងដែរក្នុងការរៀន ប្រើប្រាស់ និងបំបាត់កំហុស។ ប្រសិនបើអ្នកមានសំណួរ អ្នកអាចពឹងផ្អែកលើការគាំទ្រ និងការអាប់ដេតដ៏អស្ចារ្យពីសហគមន៍ទាំងពីរ – សហគមន៍ Python និងសហគមន៍ PyTorch ។
លក្ខណៈពិសេស
- ងាយស្រួលក្នុងការរៀន
- គាំទ្រ GPU និង CPU
- សំណុំ APIs សម្បូរបែបដើម្បីពង្រីកបណ្ណាល័យ
3. កម្មវិធី Apache MXNet
ដោយសារតែសមត្ថភាពធ្វើមាត្រដ្ឋានខ្ពស់ ដំណើរការខ្ពស់ ការដោះស្រាយបញ្ហារហ័ស និងការគាំទ្រ GPU កម្រិតខ្ពស់ ក្របខ័ណ្ឌនេះត្រូវបានបង្កើតឡើងដោយ Apache សម្រាប់ប្រើប្រាស់ក្នុងគម្រោងឧស្សាហកម្មធំៗ។
MXNet រួមបញ្ចូលចំណុចប្រទាក់ Gluon ដែលអនុញ្ញាតឱ្យអ្នកអភិវឌ្ឍន៍គ្រប់កម្រិតជំនាញ ចាប់ផ្តើមជាមួយនឹងការរៀនស៊ីជម្រៅ នៅលើពពក ឧបករណ៍នៅលើគែម និងនៅលើកម្មវិធីទូរស័ព្ទ។ នៅក្នុងបន្ទាត់មួយចំនួននៃកូដ Gluon អ្នកអាចបង្កើតតំរែតំរង់លីនេអ៊ែរ បណ្តាញ convolutional និង LSTMs កើតឡើងម្តងទៀតសម្រាប់ ការរកឃើញវត្ថុការទទួលស្គាល់ការនិយាយ ការណែនាំ និងការកំណត់ផ្ទាល់ខ្លួន។
MXNet អាចត្រូវបានប្រើនៅលើឧបករណ៍ផ្សេងៗ និងត្រូវបានគាំទ្រដោយមនុស្សជាច្រើន ភាសាសរសេរកម្មវិធី ដូចជា Java, R, JavaScript, Scala និង Go ។ ទោះបីជាចំនួនអ្នកប្រើប្រាស់ និងសមាជិកនៅក្នុងសហគមន៍របស់វាមានកម្រិតទាបក៏ដោយ ក៏ MXNet មានឯកសារសរសេរបានល្អ និងមានសក្ដានុពលដ៏អស្ចារ្យសម្រាប់កំណើន ជាពិសេសឥឡូវនេះ Amazon បានជ្រើសរើសក្របខ័ណ្ឌនេះជាឧបករណ៍ចម្បងសម្រាប់ Machine Learning នៅលើ AWS ។
លក្ខណៈពិសេស
- ការភ្ជាប់ភាសាចំនួន ៨
- ការបណ្តុះបណ្តាលចែកចាយ គាំទ្រប្រព័ន្ធពហុ CPU និងពហុ GPU
- កូនកាត់ផ្នែកខាងមុខ ដែលអនុញ្ញាតឱ្យប្តូររវាងរបៀបចាំបាច់ និងនិមិត្តសញ្ញា
4. ប្រអប់ឧបករណ៍យល់ដឹងរបស់ Microsoft
ប្រសិនបើអ្នកកំពុងគិតអំពីការអភិវឌ្ឍន៍កម្មវិធី ឬសេវាកម្មដែលដំណើរការលើ Azure (សេវាកម្មពពករបស់ Microsoft) នោះ Microsoft Cognitive Toolkit គឺជាក្របខ័ណ្ឌសម្រាប់ជ្រើសរើសសម្រាប់គម្រោងសិក្សាស៊ីជម្រៅរបស់អ្នក។ នេះគឺជាប្រភពបើកចំហ និងគាំទ្រដោយភាសាសរសេរកម្មវិធីដូចជា Python, C++, C#, Java ក្នុងចំណោមភាសាដទៃទៀត។ ក្របខ័ណ្ឌនេះត្រូវបានរចនាឡើងដើម្បី "គិតដូចខួរក្បាលមនុស្ស" ដូច្នេះវាអាចដំណើរការទិន្នន័យដែលមិនមានរចនាសម្ព័ន្ធច្រើន ខណៈពេលដែលផ្តល់នូវការបណ្តុះបណ្តាលរហ័ស និងស្ថាបត្យកម្មវិចារណញាណ។
ដោយជ្រើសរើសក្របខ័ណ្ឌនេះ - ដូចគ្នានៅពីក្រោយ Skype, Xbox និង Cortana - អ្នកនឹងទទួលបានដំណើរការល្អពីកម្មវិធីរបស់អ្នក ការធ្វើមាត្រដ្ឋាន និងការរួមបញ្ចូលសាមញ្ញជាមួយ Azure ។ ទោះយ៉ាងណាក៏ដោយ បើប្រៀបធៀបទៅនឹង TensorFlow ឬ PyTorch ចំនួនសមាជិកនៅក្នុងសហគមន៍ និងការគាំទ្ររបស់វាត្រូវបានកាត់បន្ថយ។
វីដេអូខាងក្រោមផ្តល់នូវការណែនាំពេញលេញ និងឧទាហរណ៍កម្មវិធី៖
លក្ខណៈពិសេស
- សម្អាតឯកសារ
- ការគាំទ្រពីក្រុម Microsoft
- ការមើលឃើញក្រាហ្វដោយផ្ទាល់
5. កេរ៉ាស
ដូច PyTorch Keras គឺជាបណ្ណាល័យដែលមានមូលដ្ឋានលើ Python សម្រាប់គម្រោងដែលពឹងផ្អែកលើទិន្នន័យ។ keras API ដំណើរការនៅកម្រិតខ្ពស់ និងអនុញ្ញាតឱ្យរួមបញ្ចូលជាមួយ APIs កម្រិតទាបដូចជា TensorFlow, Theano និង Microsoft Cognitive Toolkit ។
អត្ថប្រយោជន៍មួយចំនួននៃការប្រើប្រាស់ keras គឺភាពសាមញ្ញក្នុងការរៀនរបស់វា ដែលជាក្របខ័ណ្ឌដែលបានណែនាំសម្រាប់អ្នកចាប់ផ្តើមដំបូងក្នុងការរៀនស៊ីជម្រៅ។ ល្បឿននៃការដាក់ពង្រាយរបស់វា; ដោយមានការគាំទ្រយ៉ាងខ្លាំងពីសហគមន៍ python និងពីសហគមន៍នៃក្របខ័ណ្ឌផ្សេងទៀតដែលវាត្រូវបានរួមបញ្ចូល។
Keras មានការអនុវត្តផ្សេងៗនៃ ការកសាងប្លុកនៃបណ្តាញសរសៃប្រសាទ ដូចជាស្រទាប់ មុខងារគោលបំណង មុខងារធ្វើឱ្យសកម្ម និងឧបករណ៍បង្កើនប្រសិទ្ធភាពគណិតវិទ្យា។ កូដរបស់វាត្រូវបានបង្ហោះនៅលើ GitHub ហើយមានវេទិកា និងបណ្តាញគាំទ្រ Slack ។ បន្ថែមពីលើការគាំទ្រសម្រាប់ស្តង់ដារ បណ្តាញសរសៃប្រសាទ, Keras ផ្តល់ការគាំទ្រសម្រាប់បណ្តាញសរសៃប្រសាទ Convolutional និងបណ្តាញសរសៃប្រសាទកើតឡើងវិញ។
Keras អនុញ្ញាត គំរូសិក្សាស៊ីជម្រៅ ដើម្បីបង្កើតនៅលើស្មាតហ្វូនទាំង iOS និង Android នៅលើ Java Virtual Machine ឬនៅលើគេហទំព័រ។ វាក៏អនុញ្ញាតឱ្យប្រើការបណ្តុះបណ្តាលចែកចាយនៃគំរូសិក្សាស៊ីជម្រៅលើចង្កោមនៃអង្គភាពដំណើរការក្រាហ្វិក (GPU) និងអង្គភាពដំណើរការ Tensor (TPU) ផងដែរ។
លក្ខណៈពិសេស
- ម៉ូដែលដែលបានបណ្តុះបណ្តាលជាមុន
- ការគាំទ្រផ្នែកខាងក្រោយច្រើន។
- ងាយស្រួលប្រើ និងគាំទ្រសហគមន៍ធំ
6. Apple Core ML
Core ML ត្រូវបានបង្កើតឡើងដោយ Apple ដើម្បីគាំទ្រដល់ប្រព័ន្ធអេកូឡូស៊ីរបស់ខ្លួនដូចជា IOS, Mac OS និង iPad OS។ API របស់វាដំណើរការនៅកម្រិតទាប ដោយធ្វើឱ្យការប្រើប្រាស់ធនធានរបស់ CPU និង GPU បានល្អ ដែលអនុញ្ញាតឱ្យម៉ូដែល និងកម្មវិធីដែលបានបង្កើតដើម្បីបន្តដំណើរការទោះបីជាគ្មានការតភ្ជាប់អ៊ីនធឺណិតក៏ដោយ ដែលកាត់បន្ថយ "ការបោះជំហាននៃការចងចាំ" និងការប្រើប្រាស់ថាមពលរបស់ឧបករណ៍។
វិធីដែល Core ML សម្រេចបាននេះគឺមិនពិតប្រាកដទេ ដោយបង្កើតបណ្ណាល័យរៀនម៉ាស៊ីនមួយផ្សេងទៀត ដែលត្រូវបានកែលម្អសម្រាប់ដំណើរការលើ iPhones/ipad។ ផ្ទុយទៅវិញ Core ML គឺដូចជាកម្មវិធីចងក្រងដែលយកលក្ខណៈគំរូ និងប៉ារ៉ាម៉ែត្រដែលបានបណ្តុះបណ្តាលបង្ហាញជាមួយកម្មវិធីរៀនម៉ាស៊ីនផ្សេងទៀត ហើយបំប្លែងវាទៅជាឯកសារដែលក្លាយជាធនធានសម្រាប់កម្មវិធី iOS ។ ការបំប្លែងនេះទៅជាគំរូ Core ML កើតឡើងកំឡុងពេលបង្កើតកម្មវិធី មិនមែនក្នុងពេលជាក់ស្តែងទេ ដោយសារកម្មវិធីកំពុងត្រូវបានប្រើប្រាស់ ហើយត្រូវបានសម្របសម្រួលដោយបណ្ណាល័យ coremltools python។
Core ML ផ្តល់នូវដំណើរការលឿនជាមួយនឹងការរួមបញ្ចូលយ៉ាងងាយស្រួល ការរៀនម៉ាស៊ីន ម៉ូដែលចូលទៅក្នុងកម្មវិធី។ វាគាំទ្រការរៀនស៊ីជម្រៅជាមួយនឹងស្រទាប់ជាង 30 ប្រភេទ ព្រមទាំងដើមឈើការសម្រេចចិត្ត គាំទ្រម៉ាស៊ីនវ៉ិចទ័រ និងវិធីសាស្ត្រតំរែតំរង់លីនេអ៊ែរ ដែលទាំងអស់ត្រូវបានបង្កើតឡើងនៅលើកំពូលនៃបច្ចេកវិទ្យាកម្រិតទាបដូចជាលោហៈ និងបង្កើនល្បឿន។
លក្ខណៈពិសេស
- ងាយស្រួលក្នុងការបញ្ចូលទៅក្នុងកម្មវិធី
- ការប្រើប្រាស់ធនធានក្នុងស្រុកបានល្អបំផុត មិនត្រូវការអ៊ីនធឺណិតទេ។
- ឯកជនភាព៖ ទិន្នន័យមិនចាំបាច់ចាកចេញពីឧបករណ៍ទេ។
7. អូអិនអិន
ក្របខ័ណ្ឌចុងក្រោយនៅក្នុងបញ្ជីរបស់យើងគឺ ONNX ។ ក្របខណ្ឌនេះកើតចេញពីកិច្ចសហការរវាង Microsoft និង Facebook ដោយមានគោលដៅធ្វើឱ្យដំណើរការផ្ទេរ និងបង្កើតគំរូរវាងក្របខ័ណ្ឌ ឧបករណ៍ផ្សេងៗ ពេលវេលាដំណើរការ និងកម្មវិធីចងក្រង។
ONNX កំណត់ប្រភេទឯកសារទូទៅដែលអាចដំណើរការលើវេទិកាជាច្រើន ខណៈពេលដែលការប្រើប្រាស់អត្ថប្រយោជន៍នៃ APIs កម្រិតទាបដូចជាកម្មវិធីដែលមកពី Microsoft Cognitive Toolkit, MXNet, Caffe និង (ដោយប្រើកម្មវិធីបំលែង) Tensorflow និង Core ML ។ គោលការណ៍នៅពីក្រោយ ONNX គឺដើម្បីបណ្តុះបណ្តាលគំរូនៅលើជង់មួយ ហើយអនុវត្តវាដោយប្រើការសន្និដ្ឋាន និងការព្យាករណ៍ផ្សេងទៀត។
មូលនិធិ LF AI ដែលជាអង្គការរងនៃមូលនិធិលីនុច គឺជាអង្គការមួយដែលឧទ្ទិសដល់ការកសាងប្រព័ន្ធអេកូឡូស៊ីដើម្បីគាំទ្រ។ ប្រភពបើកចំហ ការបង្កើតថ្មីក្នុងបញ្ញាសិប្បនិមិត្ត (AI) ការរៀនម៉ាស៊ីន (ML) និងការសិក្សាជ្រៅជ្រះ (DL)។ វាបានបន្ថែម ONNX ជាគម្រោងកម្រិតបញ្ចប់ការសិក្សានៅថ្ងៃទី 14 ខែវិច្ឆិកា ឆ្នាំ 2019។ ការផ្លាស់ប្តូរនេះរបស់ ONNX ក្រោមឆ័ត្រនៃមូលនិធិ LF AI ត្រូវបានគេមើលឃើញថាជាព្រឹត្តិការណ៍ដ៏សំខាន់ក្នុងការបង្កើត ONNX ជាស្តង់ដារទម្រង់បើកចំហអព្យាក្រឹតរបស់អ្នកលក់។
ONNX Model Zoo គឺជាបណ្តុំនៃគំរូដែលបានបណ្តុះបណ្តាលជាមុននៅក្នុង Deep Learning ដែលមាននៅក្នុងទម្រង់ ONNX។ សម្រាប់ម៉ូដែលនីមួយៗមាន សៀវភៅកត់ត្រាជឺភីត សម្រាប់ការបណ្តុះបណ្តាលគំរូ និងការអនុវត្តការសន្និដ្ឋានជាមួយគំរូដែលបានបណ្តុះបណ្តាល។ សៀវភៅកត់ត្រាត្រូវបានសរសេរជាភាសា Python និងមានតំណភ្ជាប់ទៅកាន់ សំណុំទិន្នន័យបណ្តុះបណ្តាល និងឯកសារយោងទៅឯកសារវិទ្យាសាស្ត្រដើមដែលពិពណ៌នាអំពីស្ថាបត្យកម្មគំរូ។
លក្ខណៈពិសេស
- អន្តរប្រតិបត្តិការនៃស៊ុម
- ការបង្កើនប្រសិទ្ធភាពផ្នែករឹង
សន្និដ្ឋាន
នេះគឺជាការសង្ខេបនៃក្របខ័ណ្ឌដ៏ល្អបំផុតសម្រាប់ ការរៀនសូត្រជ្រៅ. មានក្របខ័ណ្ឌជាច្រើនសម្រាប់គោលបំណងនេះ ឥតគិតថ្លៃ ឬបង់ប្រាក់។ ដើម្បីជ្រើសរើសល្អបំផុតសម្រាប់គម្រោងរបស់អ្នក ដំបូងត្រូវដឹងថាវេទិកាណាមួយដែលអ្នកនឹងបង្កើតកម្មវិធីរបស់អ្នក។
ក្របខ័ណ្ឌទូទៅដូចជា TensorFlow និង Keras គឺជាជម្រើសដ៏ល្អបំផុតដើម្បីចាប់ផ្តើម។ ប៉ុន្តែប្រសិនបើអ្នកត្រូវការប្រើ OS ឬអត្ថប្រយោជន៍ជាក់លាក់របស់ឧបករណ៍នោះ Core ML និង Microsoft Cognitive Toolkit អាចជាជម្រើសដ៏ល្អបំផុត។
មានក្របខ័ណ្ឌផ្សេងទៀតដែលផ្តោតលើឧបករណ៍ Android ម៉ាស៊ីនផ្សេងទៀត និងគោលបំណងជាក់លាក់ដែលមិនត្រូវបានលើកឡើងនៅក្នុងបញ្ជីនេះ។ ប្រសិនបើក្រុមចុងក្រោយចាប់អារម្មណ៍អ្នក យើងស្នើឱ្យធ្វើការស្វែងរកព័ត៌មានរបស់ពួកគេនៅលើ Google ឬគេហទំព័ររៀនម៉ាស៊ីនផ្សេងទៀត។
សូមផ្ដល់យោបល់