ឧបករណ៍ដ៏ល្បីបំផុតមួយសម្រាប់បង្កើតគំរូរៀនម៉ាស៊ីនគឺ TensorFlow ។ យើងប្រើ TensorFlow នៅក្នុងកម្មវិធីជាច្រើននៅក្នុងឧស្សាហកម្មផ្សេងៗ។
នៅក្នុងការប្រកាសនេះ យើងនឹងពិនិត្យមើលម៉ូដែល TensorFlow AI មួយចំនួន។ ដូច្នេះហើយ យើងអាចបង្កើតប្រព័ន្ធឆ្លាតវៃ។
យើងក៏នឹងឆ្លងកាត់ក្របខ័ណ្ឌដែល TensorFlow ផ្តល់ជូនសម្រាប់ការបង្កើតគំរូ AI ។ ដូច្នេះសូមចាប់ផ្តើម!
ការណែនាំខ្លីៗអំពី TensorFlow
TensorFlow របស់ Google គឺជាប្រភពបើកចំហ ការរៀនម៉ាស៊ីន កញ្ចប់កម្មវិធី។ វារួមបញ្ចូលឧបករណ៍សម្រាប់ការបណ្តុះបណ្តាល និងការដាក់ពង្រាយ ម៉ូដែលរៀនម៉ាស៊ីន នៅលើវេទិកាជាច្រើន។ និងឧបករណ៍ ក៏ដូចជាការគាំទ្រសម្រាប់ការរៀនសូត្រស៊ីជម្រៅ និង បណ្តាញសរសៃប្រសាទ.
TensorFlow អនុញ្ញាតឱ្យអ្នកអភិវឌ្ឍន៍បង្កើតគំរូសម្រាប់កម្មវិធីផ្សេងៗ។ នេះរួមបញ្ចូលទាំងការទទួលស្គាល់រូបភាព និងសំឡេង ដំណើរការភាសាធម្មជាតិ និង ចក្ខុវិស័យកុំព្យូទ័រ. វាជាឧបករណ៍ដ៏រឹងមាំ និងអាចសម្របខ្លួនបានជាមួយនឹងការគាំទ្រសហគមន៍យ៉ាងទូលំទូលាយ។
ដើម្បីដំឡើង TensorFlow នៅលើកុំព្យូទ័ររបស់អ្នក អ្នកអាចវាយវានៅក្នុងបង្អួចពាក្យបញ្ជារបស់អ្នក៖
pip install tensorflow
តើ AI Models ដំណើរការយ៉ាងដូចម្តេច?
ម៉ូដែល AI គឺជាប្រព័ន្ធកុំព្យូទ័រ។ ដូច្នេះ ពួកគេត្រូវមានបំណងធ្វើសកម្មភាពដែលជាធម្មតាត្រូវការបញ្ញារបស់មនុស្ស។ ការទទួលស្គាល់រូបភាព និងការនិយាយ និងការសម្រេចចិត្តគឺជាឧទាហរណ៍នៃកិច្ចការបែបនេះ។ ម៉ូដែល AI ត្រូវបានបង្កើតឡើងនៅលើសំណុំទិន្នន័យដ៏ធំ។
ពួកគេប្រើបច្ចេកទេសរៀនម៉ាស៊ីនដើម្បីបង្កើតការព្យាករណ៍ និងអនុវត្តសកម្មភាព។ ពួកគេមានការប្រើប្រាស់ជាច្រើន រួមទាំងរថយន្តបើកបរដោយខ្លួនឯង ជំនួយការផ្ទាល់ខ្លួន និងការវិនិច្ឆ័យវេជ្ជសាស្ត្រ។
ដូច្នេះតើម៉ូដែល TensorFlow AI ដ៏ពេញនិយមមានអ្វីខ្លះ?
ResNet
ResNet ឬ Residual Network គឺជាទម្រង់មួយនៃ convolutional បណ្តាញសរសៃប្រសាទ. យើងប្រើវាសម្រាប់ការចាត់ថ្នាក់រូបភាព និង ការរកឃើញវត្ថុ. វាត្រូវបានបង្កើតឡើងដោយអ្នកស្រាវជ្រាវរបស់ Microsoft ក្នុងឆ្នាំ 2015។ ដូចគ្នាដែរ វាត្រូវបានសម្គាល់ជាចម្បងដោយការប្រើប្រាស់ការតភ្ជាប់ដែលនៅសេសសល់។
ការតភ្ជាប់ទាំងនេះអនុញ្ញាតឱ្យបណ្តាញរៀនដោយជោគជ័យ។ អាស្រ័យហេតុនេះ វាអាចទៅរួចដោយការបើកឱ្យព័ត៌មានហូរដោយសេរីរវាងស្រទាប់។
ResNet អាចត្រូវបានអនុវត្តនៅក្នុង TensorFlow ដោយប្រើប្រាស់ Keras API ។ វាផ្តល់នូវកម្រិតខ្ពស់ ចំណុចប្រទាក់ងាយស្រួលប្រើសម្រាប់បង្កើត និងបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។
ការដំឡើង ResNet
បន្ទាប់ពីដំឡើង TensorFlow អ្នកអាចប្រើ Keras API ដើម្បីបង្កើតគំរូ ResNet ។ TensorFlow រួមបញ្ចូល Keras API ដូច្នេះអ្នកមិនចាំបាច់ដំឡើងវាដាច់ដោយឡែកនោះទេ។
អ្នកអាចនាំចូលគំរូ ResNet ពី tensorflow.keras.applications។ ហើយអ្នកអាចជ្រើសរើសកំណែ ResNet ដើម្បីប្រើ ឧទាហរណ៍៖
from tensorflow.keras.applications import ResNet50
អ្នកក៏អាចប្រើកូដខាងក្រោមដើម្បីផ្ទុកទម្ងន់ដែលបានហ្វឹកហាត់ជាមុនសម្រាប់ ResNet៖
model = ResNet50(weights='imagenet')
តាមរយៈការជ្រើសរើសលក្ខណសម្បត្តិ include_top=False អ្នកក៏អាចប្រើប្រាស់គំរូសម្រាប់ការបណ្តុះបណ្តាលបន្ថែម ឬកែសម្រួលសំណុំទិន្នន័យផ្ទាល់ខ្លួនរបស់អ្នក។
model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
តំបន់នៃការប្រើប្រាស់របស់ ResNet
ResNet អាចត្រូវបានប្រើក្នុងការចាត់ថ្នាក់រូបភាព។ ដូច្នេះ អ្នកអាចបែងចែករូបថតជាក្រុមជាច្រើន។ ដំបូងអ្នកត្រូវបណ្តុះបណ្តាលគំរូ ResNet លើសំណុំទិន្នន័យធំនៃរូបថតដែលមានស្លាក។ បន្ទាប់មក ResNet អាចទស្សន៍ទាយថ្នាក់នៃរូបភាពដែលមើលមិនឃើញពីមុន។
ResNet ក៏អាចត្រូវបានប្រើសម្រាប់កិច្ចការរកឃើញវត្ថុដូចជាការរកឃើញវត្ថុនៅក្នុងរូបថត។ យើងអាចធ្វើវាបានដោយការបណ្តុះបណ្តាលគំរូ ResNet ជាដំបូងលើបណ្តុំរូបថតដែលមានស្លាកជាមួយប្រអប់ដាក់វត្ថុ។ បន្ទាប់មក យើងអាចអនុវត្តគំរូដែលបានរៀន ដើម្បីសម្គាល់វត្ថុក្នុងរូបភាពស្រស់ៗ។
យើងក៏អាចប្រើ ResNet សម្រាប់កិច្ចការបែងចែកតាមន័យធៀបផងដែរ។ ដូច្នេះ យើងអាចកំណត់ស្លាក semantic មួយទៅ pixel នីមួយៗក្នុងរូបភាពមួយ។
ការចាប់ផ្តើម
ការចាប់ផ្តើមគឺជាគំរូការសិក្សាស៊ីជម្រៅដែលមានសមត្ថភាពក្នុងការទទួលស្គាល់អ្វីៗក្នុងរូបភាព។ Google បានប្រកាសវាក្នុងឆ្នាំ 2014 ហើយវាវិភាគរូបភាពនៃទំហំផ្សេងៗដោយប្រើស្រទាប់ជាច្រើន។ ជាមួយនឹង Inception គំរូរបស់អ្នកអាចយល់រូបភាពបានត្រឹមត្រូវ។
TensorFlow គឺជាឧបករណ៍ដ៏រឹងមាំមួយសម្រាប់បង្កើត និងដំណើរការគំរូ Inception ។ វាផ្តល់នូវចំណុចប្រទាក់កម្រិតខ្ពស់ និងងាយស្រួលប្រើសម្រាប់ការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ។ ដូច្នេះហើយ Inception គឺជាគំរូដ៏សាមញ្ញមួយដើម្បីអនុវត្តសម្រាប់អ្នកអភិវឌ្ឍន៍។
ការដំឡើងការចាប់ផ្តើម
អ្នកអាចដំឡើង Inception ដោយវាយបញ្ចូលកូដនេះ។
from tensorflow.keras.applications import InceptionV3
តំបន់នៃការប្រើប្រាស់នៃការចាប់ផ្តើម
គំរូ Inception ក៏អាចត្រូវបានប្រើដើម្បីទាញយកលក្ខណៈពិសេសនៅក្នុង ការរៀនសូត្រជ្រៅ ម៉ូដែលដូចជា Generative Adversarial Networks (GANs) និង Autoencoders ។
គំរូ Inception អាចត្រូវបានកែសម្រួលយ៉ាងល្អិតល្អន់ដើម្បីកំណត់អត្តសញ្ញាណជាក់លាក់។ ម្យ៉ាងទៀត យើងប្រហែលជាអាចធ្វើរោគវិនិច្ឆ័យជំងឺមួយចំនួននៅក្នុងកម្មវិធីរូបភាពវេជ្ជសាស្ត្រដូចជា X-ray, CT ឬ MRI ជាដើម។
គំរូ Inception អាចត្រូវបានសម្រួលយ៉ាងល្អដើម្បីពិនិត្យគុណភាពរូបភាព។ យើងអាចវាយតម្លៃថាតើរូបភាពមានភាពស្រពិចស្រពិល ឬច្បាស់។
ការចាប់ផ្តើមអាចត្រូវបានប្រើប្រាស់សម្រាប់កិច្ចការវិភាគវីដេអូដូចជា ការតាមដានវត្ថុ និងការរកឃើញសកម្មភាព។
បាស
BERT (តំណាងអ៊ិនកូដពីរទិសពី Transformers) គឺជាគំរូបណ្តាញសរសៃប្រសាទដែលត្រូវបានបណ្តុះបណ្តាលជាមុនដែលបង្កើតឡើងដោយ Google ។ យើងអាចប្រើវាសម្រាប់កិច្ចការផ្សេងៗនៃដំណើរការភាសាធម្មជាតិ។ កិច្ចការទាំងនេះអាចប្រែប្រួលពីការចាត់ថ្នាក់អត្ថបទ រហូតដល់ការឆ្លើយសំណួរ។
BERT ត្រូវបានសាងសង់លើស្ថាបត្យកម្មប្លែង។ ដូច្នេះហើយ អ្នកអាចគ្រប់គ្រងបរិមាណដ៏ធំនៃការបញ្ចូលអត្ថបទ ខណៈពេលដែលយល់ពីការភ្ជាប់ពាក្យ។
BERT គឺជាគំរូដែលបានបណ្តុះបណ្តាលជាមុន ដែលអ្នកអាចបញ្ចូលទៅក្នុងកម្មវិធី TensorFlow ។
TensorFlow រួមបញ្ចូលគំរូ BERT ដែលបានបណ្តុះបណ្តាលមុន ក៏ដូចជាការប្រមូលផ្តុំឧបករណ៍ប្រើប្រាស់សម្រាប់ការកែតម្រូវ និងការអនុវត្តន៍ BERT ទៅនឹងកិច្ចការផ្សេងៗ។ ដូច្នេះ អ្នកអាចបញ្ចូលសមត្ថភាពដំណើរការភាសាធម្មជាតិដ៏ទំនើបរបស់ BERT យ៉ាងងាយស្រួល។
ការដំឡើង BERT
ដោយប្រើកម្មវិធីគ្រប់គ្រងកញ្ចប់ pip អ្នកអាចដំឡើង BERT នៅក្នុង 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
កំណែ CPU របស់ TensorFlow អាចត្រូវបានដំឡើងយ៉ាងងាយស្រួលដោយការជំនួស tensorflow-gpu ជាមួយ tensorflow ។
បន្ទាប់ពីដំឡើងបណ្ណាល័យ អ្នកអាចនាំចូលគំរូ BERT ហើយប្រើប្រាស់វាសម្រាប់កិច្ចការ NLP ផ្សេងៗ។ នេះគឺជាកូដគំរូមួយចំនួនសម្រាប់ការកែតម្រូវគំរូ BERT លើបញ្ហាចំណាត់ថ្នាក់អត្ថបទ ឧទាហរណ៍៖
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)
តំបន់នៃការប្រើប្រាស់របស់ BERT
អ្នកអាចអនុវត្តភារកិច្ចចាត់ថ្នាក់អត្ថបទ។ ជាឧទាហរណ៍អាចសម្រេចបាន។ ការវិភាគមនោសញ្ចេតនាការចាត់ថ្នាក់ប្រធានបទ និងការរកឃើញសារឥតបានការ។
BERT មាន ការទទួលស្គាល់ឈ្មោះអង្គភាព លក្ខណៈពិសេស (NER) ។ ដូច្នេះហើយ អ្នកអាចស្គាល់ និងដាក់ស្លាកអង្គភាពនៅក្នុងអត្ថបទ ដូចជាមនុស្ស និងអង្គការជាដើម។
វាអាចត្រូវបានប្រើដើម្បីឆ្លើយសំណួរអាស្រ័យលើបរិបទជាក់លាក់មួយ ដូចជានៅក្នុងម៉ាស៊ីនស្វែងរក ឬកម្មវិធី chatbot ជាដើម។
BERT អាចមានប្រយោជន៍សម្រាប់ការបកប្រែភាសាដើម្បីបង្កើនភាពត្រឹមត្រូវនៃការបកប្រែតាមម៉ាស៊ីន។
BERT អាចត្រូវបានប្រើសម្រាប់ការសង្ខេបអត្ថបទ។ ដូច្នេះហើយ វាអាចផ្តល់នូវសេចក្តីសង្ខេបដ៏ខ្លី និងមានប្រយោជន៍នៃឯកសារអត្ថបទវែងៗ។
DeepVoice
Baidu Research បានបង្កើត DeepVoice, a អត្ថបទទៅសុន្ទរកថា គំរូសំយោគ។
វាត្រូវបានបង្កើតឡើងជាមួយនឹងក្របខ័ណ្ឌ TensorFlow និងបានបណ្តុះបណ្តាលលើការប្រមូលផ្តុំដ៏ធំនៃទិន្នន័យសំឡេង។
DeepVoice បង្កើតសំឡេងពីការបញ្ចូលអត្ថបទ។ DeepVoice ធ្វើឱ្យវាអាចធ្វើទៅបានដោយប្រើបច្ចេកទេសសិក្សាជ្រៅ។ វាគឺជាគំរូដែលផ្អែកលើបណ្តាញសរសៃប្រសាទ។
ដូច្នេះហើយ វាវិភាគទិន្នន័យបញ្ចូល និងបង្កើតការនិយាយដោយប្រើស្រទាប់មួយចំនួនដ៏ធំនៃថ្នាំងដែលបានតភ្ជាប់។
ការដំឡើង DeepVoice
!pip install deepvoice
ជាជម្រើស;
# Clone the DeepVoice repository
!git clone https://github.com/r9y9/DeepVoice3_pytorch.git
%cd DeepVoice3_pytorch
!pip install -r requirements.txt
តំបន់នៃការប្រើប្រាស់ DeepVoice
អ្នកអាចប្រើ DeepVoice ដើម្បីបង្កើតការនិយាយសម្រាប់ជំនួយការផ្ទាល់ខ្លួនដូចជា Amazon Alexa និង Google Assistant ។
ដូចគ្នានេះផងដែរ DeepVoice អាចត្រូវបានប្រើដើម្បីផលិតការនិយាយសម្រាប់ឧបករណ៍ដែលអាចប្រើសំឡេងដូចជាឧបករណ៍បំពងសំឡេងឆ្លាតវៃ និងប្រព័ន្ធស្វ័យប្រវត្តិកម្មក្នុងផ្ទះ។
DeepVoice អាចបង្កើតសំឡេងសម្រាប់កម្មវិធីព្យាបាលការនិយាយ។ វាអាចជួយអ្នកជំងឺដែលមានបញ្ហាក្នុងការនិយាយដើម្បីកែលម្អការនិយាយរបស់ពួកគេ។
DeepVoice អាចត្រូវបានប្រើដើម្បីបង្កើតសុន្ទរកថាសម្រាប់សម្ភារៈអប់រំដូចជាសៀវភៅជាសំឡេង និងកម្មវិធីរៀនភាសា។
សូមផ្ដល់យោបល់