ಆಳವಾದ ಕಲಿಕೆಯ ಚೌಕಟ್ಟನ್ನು ತ್ವರಿತವಾಗಿ ಮತ್ತು ನಿಖರವಾಗಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು ಮತ್ತು ತರಬೇತಿ ನೀಡಲು ಇಂಟರ್ಫೇಸ್ಗಳು, ಲೈಬ್ರರಿಗಳು ಮತ್ತು ಪರಿಕರಗಳ ಸಂಯೋಜನೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
ಆಳವಾದ ಕಲಿಕೆಯು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ರಚನೆಯಿಲ್ಲದ, ಪಠ್ಯೇತರ ಡೇಟಾವನ್ನು ಬಳಸುವುದರಿಂದ, ನಿಮಗೆ "ಪದರಗಳ" ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಮತ್ತು ಇನ್ಪುಟ್ ಡೇಟಾದಿಂದ ಕಲಿಯುವ ಮೂಲಕ ಮತ್ತು ಸ್ವಾಯತ್ತ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡುವ ಮೂಲಕ ಮಾದರಿ ಅಭಿವೃದ್ಧಿಯನ್ನು ವೇಗವಾಗಿ ಮಾಡುವ ಚೌಕಟ್ಟಿನ ಅಗತ್ಯವಿದೆ.
2021 ರಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯ ಬಗ್ಗೆ ಕಲಿಯಲು ನೀವು ಆಸಕ್ತಿ ಹೊಂದಿದ್ದರೆ, ಕೆಳಗೆ ಸೂಚಿಸಲಾದ ಫ್ರೇಮ್ವರ್ಕ್ಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಳಸುವುದನ್ನು ಪರಿಗಣಿಸಿ. ನಿಮ್ಮ ಗುರಿಗಳನ್ನು ಮತ್ತು ದೃಷ್ಟಿಯನ್ನು ಸಾಧಿಸಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುವ ಒಂದನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಮರೆಯದಿರಿ.
1. ಟೆನ್ಸರ್ಫ್ಲೊ
ಆಳವಾದ ಕಲಿಕೆಯ ಬಗ್ಗೆ ಮಾತನಾಡುವಾಗ, ಟೆನ್ಸರ್ಫ್ಲೊ ಸಾಮಾನ್ಯವಾಗಿ ಉಲ್ಲೇಖಿಸಲಾದ ಮೊದಲ ಚೌಕಟ್ಟಾಗಿದೆ. ಹೆಚ್ಚು ಜನಪ್ರಿಯವಾಗಿದೆ, ಈ ಚೌಕಟ್ಟನ್ನು Google ನಿಂದ ಮಾತ್ರ ಬಳಸಲಾಗುವುದಿಲ್ಲ - ಅದರ ರಚನೆಗೆ ಜವಾಬ್ದಾರರಾಗಿರುವ ಕಂಪನಿ - ಆದರೆ Dropbox, eBay, Airbnb, Nvidia, ಮತ್ತು ಇತರ ಹಲವು ಕಂಪನಿಗಳು.
ಹೆಚ್ಚಿನ ಮತ್ತು ಕಡಿಮೆ ಮಟ್ಟದ API ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು TensorFlow ಅನ್ನು ಬಳಸಬಹುದು, ಇದು ಯಾವುದೇ ರೀತಿಯ ಸಾಧನದಲ್ಲಿ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ರನ್ ಮಾಡಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. ಪೈಥಾನ್ ಅದರ ಪ್ರಾಥಮಿಕ ಭಾಷೆಯಾಗಿದ್ದರೂ, C++, Java, Julia, ಮತ್ತು JavaScript ನಂತಹ ಇತರ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು Tensoflow ನ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಪ್ರವೇಶಿಸಬಹುದು ಮತ್ತು ನಿಯಂತ್ರಿಸಬಹುದು.
ತೆರೆದ ಮೂಲವಾಗಿರುವುದರಿಂದ, ಇತರ API ಗಳೊಂದಿಗೆ ಹಲವಾರು ಸಂಯೋಜನೆಗಳನ್ನು ಮಾಡಲು ಮತ್ತು ಸಮುದಾಯದಿಂದ ವೇಗದ ಬೆಂಬಲ ಮತ್ತು ನವೀಕರಣಗಳನ್ನು ಪಡೆಯಲು TensorFlow ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. ಗಣನೆಗಾಗಿ "ಸ್ಥಿರ ಗ್ರಾಫ್ಗಳು" ಮೇಲೆ ಅದರ ಅವಲಂಬನೆಯು ತಕ್ಷಣವೇ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಮಾಡಲು ಅಥವಾ ಇನ್ನೊಂದು ಸಮಯದಲ್ಲಿ ಪ್ರವೇಶಕ್ಕಾಗಿ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಉಳಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. ಈ ಕಾರಣಗಳು, TensorBoard ಮೂಲಕ ನಿಮ್ಮ ನರಗಳ ನೆಟ್ವರ್ಕ್ನ ಅಭಿವೃದ್ಧಿಯನ್ನು ನೀವು "ವೀಕ್ಷಿಸುವ" ಸಾಧ್ಯತೆಗೆ ಸೇರಿಸಲಾಗುತ್ತದೆ, TensorFlow ಅನ್ನು ಆಳವಾದ ಕಲಿಕೆಗಾಗಿ ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಚೌಕಟ್ಟಾಗಿ ಮಾಡುತ್ತದೆ.
ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು
- ಮುಕ್ತ ಸಂಪನ್ಮೂಲ
- ಹೊಂದಿಕೊಳ್ಳುವಿಕೆ
- ವೇಗದ ಡೀಬಗ್ ಮಾಡುವಿಕೆ
2. ಪೈಟೋರ್ಚ್
PyTorch ತನ್ನ ಸೇವೆಗಳ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಬೆಂಬಲಿಸಲು ಫೇಸ್ಬುಕ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಚೌಕಟ್ಟಾಗಿದೆ. ಓಪನ್ ಸೋರ್ಸ್ ಆದ ನಂತರ, ಈ ಚೌಕಟ್ಟನ್ನು ಫೇಸ್ಬುಕ್ ಹೊರತುಪಡಿಸಿ ಸೇಲ್ಸ್ಫೋರ್ಸ್ ಮತ್ತು ಉಡಾಸಿಟಿಯಂತಹ ಕಂಪನಿಗಳು ಬಳಸುತ್ತಿವೆ.
ಈ ಫ್ರೇಮ್ವರ್ಕ್ ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ನವೀಕರಿಸಿದ ಗ್ರಾಫ್ಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ನೀವು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವಾಗ ನಿಮ್ಮ ಡೇಟಾಸೆಟ್ನ ಆರ್ಕಿಟೆಕ್ಚರ್ಗೆ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. PyTorch ನೊಂದಿಗೆ ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿ ಯಾವುದೇ ಅನುಭವವಿಲ್ಲದಿದ್ದರೂ ಸಹ, ನರಮಂಡಲವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ತರಬೇತಿ ನೀಡಲು ಸರಳವಾಗಿದೆ.
ಓಪನ್ ಸೋರ್ಸ್ ಮತ್ತು ಪೈಥಾನ್ ಆಧರಿಸಿ, ನೀವು PyTorch ಗೆ ಸರಳ ಮತ್ತು ವೇಗದ ಸಂಯೋಜನೆಗಳನ್ನು ಮಾಡಬಹುದು. ಇದು ಕಲಿಯಲು, ಬಳಸಲು ಮತ್ತು ಡೀಬಗ್ ಮಾಡಲು ಸರಳವಾದ ಚೌಕಟ್ಟಾಗಿದೆ. ನೀವು ಪ್ರಶ್ನೆಗಳನ್ನು ಹೊಂದಿದ್ದರೆ, ಪೈಥಾನ್ ಸಮುದಾಯ ಮತ್ತು ಪೈಟಾರ್ಚ್ ಸಮುದಾಯ - ಎರಡೂ ಸಮುದಾಯಗಳಿಂದ ಉತ್ತಮ ಬೆಂಬಲ ಮತ್ತು ನವೀಕರಣಗಳನ್ನು ನೀವು ನಂಬಬಹುದು.
ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು
- ತಿಳಿಯಲು ಸುಲಭ
- GPU ಮತ್ತು CPU ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ
- ಲೈಬ್ರರಿಗಳನ್ನು ವಿಸ್ತರಿಸಲು API ಗಳ ಸಮೃದ್ಧ ಸೆಟ್
3. ಅಪಾಚೆ MXNet
ಅದರ ಹೆಚ್ಚಿನ ಸ್ಕೇಲೆಬಿಲಿಟಿ, ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆ, ವೇಗದ ದೋಷನಿವಾರಣೆ ಮತ್ತು ಸುಧಾರಿತ GPU ಬೆಂಬಲದಿಂದಾಗಿ, ಈ ಚೌಕಟ್ಟನ್ನು ದೊಡ್ಡ ಕೈಗಾರಿಕಾ ಯೋಜನೆಗಳಲ್ಲಿ ಬಳಸಲು Apache ನಿಂದ ರಚಿಸಲಾಗಿದೆ.
MXNet ಗ್ಲುವಾನ್ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಅದು ಎಲ್ಲಾ ಕೌಶಲ್ಯ ಮಟ್ಟಗಳ ಡೆವಲಪರ್ಗಳಿಗೆ ಅನುಮತಿಸುತ್ತದೆ ಆಳವಾದ ಕಲಿಕೆಯೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ ಕ್ಲೌಡ್ನಲ್ಲಿ, ಅಂಚಿನ ಸಾಧನಗಳಲ್ಲಿ ಮತ್ತು ಮೊಬೈಲ್ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ. ಗ್ಲುವಾನ್ ಕೋಡ್ನ ಕೆಲವೇ ಸಾಲುಗಳಲ್ಲಿ, ನೀವು ಲೀನಿಯರ್ ರಿಗ್ರೆಷನ್, ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಮರುಕಳಿಸುವ LSTM ಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು ವಸ್ತು ಪತ್ತೆ, ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ, ಶಿಫಾರಸು ಮತ್ತು ವೈಯಕ್ತೀಕರಣ.
MXNet ಅನ್ನು ವಿವಿಧ ಸಾಧನಗಳಲ್ಲಿ ಬಳಸಬಹುದು ಮತ್ತು ಹಲವಾರು ಬೆಂಬಲಿಸುತ್ತದೆ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳು ಉದಾಹರಣೆಗೆ Java, R, JavaScript, Scala ಮತ್ತು Go. ಅದರ ಸಮುದಾಯದಲ್ಲಿ ಬಳಕೆದಾರರು ಮತ್ತು ಸದಸ್ಯರ ಸಂಖ್ಯೆಯು ಕಡಿಮೆಯಿದ್ದರೂ, MXNet ಉತ್ತಮವಾಗಿ ಬರೆಯಲ್ಪಟ್ಟ ದಾಖಲಾತಿ ಮತ್ತು ಬೆಳವಣಿಗೆಗೆ ಉತ್ತಮ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ, ವಿಶೇಷವಾಗಿ ಈಗ Amazon ಈ ಚೌಕಟ್ಟನ್ನು AWS ನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಗೆ ಪ್ರಾಥಮಿಕ ಸಾಧನವಾಗಿ ಆಯ್ಕೆ ಮಾಡಿದೆ.
ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು
- 8 ಭಾಷಾ ಬಂಧಗಳು
- ವಿತರಿಸಿದ ತರಬೇತಿ, ಬಹು-ಸಿಪಿಯು ಮತ್ತು ಬಹು-ಜಿಪಿಯು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ
- ಹೈಬ್ರಿಡ್ ಫ್ರಂಟ್-ಎಂಡ್, ಕಡ್ಡಾಯ ಮತ್ತು ಸಾಂಕೇತಿಕ ವಿಧಾನಗಳ ನಡುವೆ ಬದಲಾಯಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ
4. ಮೈಕ್ರೋಸಾಫ್ಟ್ ಕಾಗ್ನಿಟಿವ್ ಟೂಲ್ಕಿಟ್
ನೀವು Azure (Microsoft ಕ್ಲೌಡ್ ಸೇವೆಗಳು) ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಅಥವಾ ಸೇವೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಯೋಚಿಸುತ್ತಿದ್ದರೆ, Microsoft Cognitive Toolkit ನಿಮ್ಮ ಆಳವಾದ ಕಲಿಕೆಯ ಯೋಜನೆಗಳಿಗೆ ಆಯ್ಕೆ ಮಾಡುವ ಚೌಕಟ್ಟಾಗಿದೆ. ಇದು ಓಪನ್ ಸೋರ್ಸ್ ಆಗಿದೆ ಮತ್ತು ಪೈಥಾನ್, ಸಿ++, ಸಿ#, ಜಾವಾ ಮುಂತಾದ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಿಂದ ಬೆಂಬಲಿತವಾಗಿದೆ. ಈ ಚೌಕಟ್ಟನ್ನು "ಮಾನವ ಮೆದುಳಿನಂತೆ ಯೋಚಿಸಲು" ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಆದ್ದರಿಂದ ಇದು ವೇಗದ ತರಬೇತಿ ಮತ್ತು ಅರ್ಥಗರ್ಭಿತ ವಾಸ್ತುಶೈಲಿಯನ್ನು ನೀಡುವಾಗ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ರಚನೆಯಿಲ್ಲದ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ.
ಈ ಚೌಕಟ್ಟನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಮೂಲಕ - ಸ್ಕೈಪ್, ಎಕ್ಸ್ಬಾಕ್ಸ್ ಮತ್ತು ಕೊರ್ಟಾನಾ ಹಿಂದೆ ಒಂದೇ - ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಂದ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ, ಸ್ಕೇಲೆಬಿಲಿಟಿ ಮತ್ತು ಅಜೂರ್ನೊಂದಿಗೆ ಸರಳ ಏಕೀಕರಣವನ್ನು ನೀವು ಪಡೆಯುತ್ತೀರಿ. ಆದಾಗ್ಯೂ, TensorFlow ಅಥವಾ PyTorch ಗೆ ಹೋಲಿಸಿದರೆ, ಅದರ ಸಮುದಾಯ ಮತ್ತು ಬೆಂಬಲದಲ್ಲಿರುವ ಸದಸ್ಯರ ಸಂಖ್ಯೆ ಕಡಿಮೆಯಾಗಿದೆ.
ಕೆಳಗಿನ ವೀಡಿಯೊ ಸಂಪೂರ್ಣ ಪರಿಚಯ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಉದಾಹರಣೆಗಳನ್ನು ನೀಡುತ್ತದೆ:
ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು
- ದಸ್ತಾವೇಜನ್ನು ತೆರವುಗೊಳಿಸಿ
- ಮೈಕ್ರೋಸಾಫ್ಟ್ ತಂಡದಿಂದ ಬೆಂಬಲ
- ನೇರ ಗ್ರಾಫ್ ದೃಶ್ಯೀಕರಣ
5. ಕೇರಸ್
PyTorch ನಂತೆ, ಕೆರಾಸ್ ಡೇಟಾ-ಇಂಟೆನ್ಸಿವ್ ಪ್ರಾಜೆಕ್ಟ್ಗಳಿಗಾಗಿ ಪೈಥಾನ್ ಆಧಾರಿತ ಗ್ರಂಥಾಲಯವಾಗಿದೆ. keras API ಉನ್ನತ ಮಟ್ಟದಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಮತ್ತು TensorFlow, Theano, ಮತ್ತು Microsoft Cognitive Toolkit ನಂತಹ ಕಡಿಮೆ ಮಟ್ಟದ APIಗಳೊಂದಿಗೆ ಏಕೀಕರಣಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
ಕೆರಾಗಳನ್ನು ಬಳಸುವ ಕೆಲವು ಪ್ರಯೋಜನಗಳೆಂದರೆ ಕಲಿಯಲು ಅದರ ಸರಳತೆ - ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿ ಆರಂಭಿಕರಿಗಾಗಿ ಶಿಫಾರಸು ಮಾಡಲಾದ ಚೌಕಟ್ಟು; ಅದರ ನಿಯೋಜನೆಯ ವೇಗ; ಪೈಥಾನ್ ಸಮುದಾಯದಿಂದ ಮತ್ತು ಅದು ಸಂಯೋಜಿಸಲ್ಪಟ್ಟ ಇತರ ಚೌಕಟ್ಟುಗಳ ಸಮುದಾಯಗಳಿಂದ ಉತ್ತಮ ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ.
ಕೆರಾಸ್ ವಿವಿಧ ಅನುಷ್ಠಾನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ನರ ಜಾಲಗಳ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್ ಉದಾಹರಣೆಗೆ ಲೇಯರ್ಗಳು, ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯಗಳು, ಸಕ್ರಿಯಗೊಳಿಸುವ ಕಾರ್ಯಗಳು ಮತ್ತು ಗಣಿತದ ಆಪ್ಟಿಮೈಜರ್ಗಳು. ಇದರ ಕೋಡ್ ಅನ್ನು GitHub ನಲ್ಲಿ ಹೋಸ್ಟ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ವೇದಿಕೆಗಳು ಮತ್ತು Slack ಬೆಂಬಲ ಚಾನಲ್ ಇವೆ. ಪ್ರಮಾಣಿತ ಬೆಂಬಲದ ಜೊತೆಗೆ ನರಮಂಡಲ ಜಾಲಗಳು, ಕೆರಾಸ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಮರುಕಳಿಸುವ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳಿಗೆ ಬೆಂಬಲವನ್ನು ನೀಡುತ್ತದೆ.
ಕೆರಾಸ್ ಅನುಮತಿಸುತ್ತದೆ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು iOS ಮತ್ತು Android ಎರಡರಲ್ಲೂ ಸ್ಮಾರ್ಟ್ಫೋನ್ಗಳಲ್ಲಿ, ಜಾವಾ ವರ್ಚುವಲ್ ಮೆಷಿನ್ನಲ್ಲಿ ಅಥವಾ ವೆಬ್ನಲ್ಲಿ ಉತ್ಪಾದಿಸಲು. ಇದು ಗ್ರಾಫಿಕ್ಸ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯುನಿಟ್ಗಳ (ಜಿಪಿಯು) ಮತ್ತು ಟೆನ್ಸರ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯೂನಿಟ್ಗಳ (ಟಿಪಿಯು) ಕ್ಲಸ್ಟರ್ಗಳ ಮೇಲೆ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ವಿತರಿಸಿದ ತರಬೇತಿಯ ಬಳಕೆಯನ್ನು ಸಹ ಅನುಮತಿಸುತ್ತದೆ.
ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು
- ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು
- ಬಹು ಬ್ಯಾಕೆಂಡ್ ಬೆಂಬಲ
- ಬಳಕೆದಾರ ಸ್ನೇಹಿ ಮತ್ತು ದೊಡ್ಡ ಸಮುದಾಯ ಬೆಂಬಲ
6. ಆಪಲ್ ಕೋರ್ ಎಂಎಲ್
ಕೋರ್ ML ಅನ್ನು Apple ತನ್ನ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ಬೆಂಬಲಿಸಲು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ - IOS, Mac OS, ಮತ್ತು iPad OS. ಇದರ API ಕಡಿಮೆ ಮಟ್ಟದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, CPU ಮತ್ತು GPU ನ ಸಂಪನ್ಮೂಲಗಳ ಉತ್ತಮ ಬಳಕೆಯನ್ನು ಮಾಡುತ್ತದೆ, ಇದು ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕವಿಲ್ಲದೆಯೇ ರಚಿಸಲಾದ ಮಾದರಿಗಳು ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಚಾಲನೆ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ, ಇದು ಸಾಧನದ "ಮೆಮೊರಿ ಹೆಜ್ಜೆಗುರುತು" ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಕೋರ್ ಎಮ್ಎಲ್ ಇದನ್ನು ಸಾಧಿಸುವ ಮಾರ್ಗವು ಐಫೋನ್ಗಳು/ಐಪ್ಯಾಡ್ಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಹೊಂದುವಂತೆ ಮಾಡಲಾದ ಮತ್ತೊಂದು ಯಂತ್ರ ಕಲಿಕೆಯ ಗ್ರಂಥಾಲಯವನ್ನು ಮಾಡುವ ಮೂಲಕ ನಿಖರವಾಗಿ ಅಲ್ಲ. ಬದಲಿಗೆ, ಕೋರ್ ML ಒಂದು ಕಂಪೈಲರ್ನಂತಿದೆ, ಇದು ಮಾದರಿಯ ವಿಶೇಷಣಗಳು ಮತ್ತು ಇತರ ಯಂತ್ರ ಕಲಿಕೆ ಸಾಫ್ಟ್ವೇರ್ನೊಂದಿಗೆ ವ್ಯಕ್ತಪಡಿಸಲಾದ ತರಬೇತಿ ಪಡೆದ ನಿಯತಾಂಕಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಅದನ್ನು iOS ಅಪ್ಲಿಕೇಶನ್ಗೆ ಸಂಪನ್ಮೂಲವಾಗಿ ಪರಿವರ್ತಿಸುವ ಫೈಲ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. Core ML ಮಾದರಿಗೆ ಈ ಪರಿವರ್ತನೆಯು ಅಪ್ಲಿಕೇಶನ್ ಅಭಿವೃದ್ಧಿಯ ಸಮಯದಲ್ಲಿ ಸಂಭವಿಸುತ್ತದೆ, ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಬಳಸುತ್ತಿರುವಾಗ ನೈಜ ಸಮಯದಲ್ಲಿ ಅಲ್ಲ ಮತ್ತು coremltools ಪೈಥಾನ್ ಲೈಬ್ರರಿಯಿಂದ ಸುಗಮಗೊಳಿಸಲಾಗುತ್ತದೆ.
ಕೋರ್ ಎಂಎಲ್ ಸುಲಭವಾದ ಏಕೀಕರಣದೊಂದಿಗೆ ವೇಗದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ ಯಂತ್ರ ಕಲಿಕೆ ಅಪ್ಲಿಕೇಶನ್ಗಳಾಗಿ ಮಾದರಿಗಳು. ಇದು 30 ಕ್ಕೂ ಹೆಚ್ಚು ರೀತಿಯ ಲೇಯರ್ಗಳೊಂದಿಗೆ ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಮತ್ತು ನಿರ್ಧಾರ ಮರಗಳು, ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳು ಮತ್ತು ರೇಖಾತ್ಮಕ ಹಿಂಜರಿತ ವಿಧಾನಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಇವೆಲ್ಲವೂ ಲೋಹ ಮತ್ತು ವೇಗವರ್ಧನೆಯಂತಹ ಕಡಿಮೆ-ಮಟ್ಟದ ತಂತ್ರಜ್ಞಾನಗಳ ಮೇಲೆ ನಿರ್ಮಿಸಲಾಗಿದೆ.
ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು
- ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಲು ಸುಲಭ
- ಸ್ಥಳೀಯ ಸಂಪನ್ಮೂಲಗಳ ಅತ್ಯುತ್ತಮ ಬಳಕೆ, ಇಂಟರ್ನೆಟ್ ಪ್ರವೇಶದ ಅಗತ್ಯವಿಲ್ಲ
- ಗೌಪ್ಯತೆ: ಡೇಟಾವು ಸಾಧನವನ್ನು ಬಿಡಬೇಕಾಗಿಲ್ಲ
7. ಒಎನ್ಎನ್ಎಕ್ಸ್
ನಮ್ಮ ಪಟ್ಟಿಯಲ್ಲಿರುವ ಕೊನೆಯ ಚೌಕಟ್ಟು ONNX ಆಗಿದೆ. ವಿಭಿನ್ನ ಚೌಕಟ್ಟುಗಳು, ಪರಿಕರಗಳು, ರನ್ಟೈಮ್ಗಳು ಮತ್ತು ಕಂಪೈಲರ್ಗಳ ನಡುವೆ ಮಾದರಿಗಳನ್ನು ವರ್ಗಾಯಿಸುವ ಮತ್ತು ನಿರ್ಮಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸರಳಗೊಳಿಸುವ ಗುರಿಯೊಂದಿಗೆ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಮತ್ತು ಫೇಸ್ಬುಕ್ ನಡುವಿನ ಸಹಯೋಗದಿಂದ ಈ ಚೌಕಟ್ಟು ಹೊರಹೊಮ್ಮಿದೆ.
ಮೈಕ್ರೋಸಾಫ್ಟ್ ಕಾಗ್ನಿಟಿವ್ ಟೂಲ್ಕಿಟ್, ಎಮ್ಎಕ್ಸ್ನೆಟ್, ಕೆಫೆ ಮತ್ತು (ಪರಿವರ್ತಕಗಳನ್ನು ಬಳಸಿ) ಟೆನ್ಸಾರ್ಫ್ಲೋ ಮತ್ತು ಕೋರ್ ಎಮ್ಎಲ್ನಂತಹ ಕಡಿಮೆ-ಹಂತದ API ಗಳ ಪ್ರಯೋಜನಗಳನ್ನು ಬಳಸುತ್ತಿರುವಾಗ, ಅನೇಕ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಲ್ಲಿ ರನ್ ಮಾಡಬಹುದಾದ ಸಾಮಾನ್ಯ ಫೈಲ್ ಪ್ರಕಾರವನ್ನು ONNX ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ. ಒಎನ್ಎನ್ಎಕ್ಸ್ನ ಹಿಂದಿನ ತತ್ವವೆಂದರೆ ಸ್ಟಾಕ್ನಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು ಮತ್ತು ಇತರ ತೀರ್ಮಾನಗಳು ಮತ್ತು ಮುನ್ಸೂಚನೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು.
LF AI ಫೌಂಡೇಶನ್, ಲಿನಕ್ಸ್ ಫೌಂಡೇಶನ್ನ ಉಪ-ಸಂಘಟನೆ, ಬೆಂಬಲಿಸಲು ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸಲು ಮೀಸಲಾಗಿರುವ ಸಂಸ್ಥೆಯಾಗಿದೆ ಮುಕ್ತ ಸಂಪನ್ಮೂಲ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI), ಯಂತ್ರ ಕಲಿಕೆ (ML), ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆ (DL) ನಲ್ಲಿ ನಾವೀನ್ಯತೆ. ಇದು 14 ನವೆಂಬರ್ 2019 ರಂದು ಪದವಿ-ಮಟ್ಟದ ಯೋಜನೆಯಾಗಿ ONNX ಅನ್ನು ಸೇರಿಸಿದೆ. LF AI ಫೌಂಡೇಶನ್ನ ಛತ್ರಿಯಡಿಯಲ್ಲಿ ONNX ನ ಈ ಕ್ರಮವು ONNX ಅನ್ನು ಮಾರಾಟಗಾರ-ತಟಸ್ಥ ಮುಕ್ತ-ಫಾರ್ಮ್ಯಾಟ್ ಮಾನದಂಡವಾಗಿ ಸ್ಥಾಪಿಸುವಲ್ಲಿ ಪ್ರಮುಖ ಮೈಲಿಗಲ್ಲು ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.
ONNX ಮಾದರಿ ಮೃಗಾಲಯವು ONNX ಸ್ವರೂಪದಲ್ಲಿ ಲಭ್ಯವಿರುವ ಆಳವಾದ ಕಲಿಕೆಯಲ್ಲಿ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳ ಸಂಗ್ರಹವಾಗಿದೆ. ಪ್ರತಿ ಮಾದರಿಗೆ ಇವೆ ಜುಪಿಟರ್ ನೋಟ್ಬುಕ್ಗಳು ಮಾದರಿ ತರಬೇತಿ ಮತ್ತು ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯೊಂದಿಗೆ ನಿರ್ಣಯವನ್ನು ನಿರ್ವಹಿಸುವುದಕ್ಕಾಗಿ. ನೋಟ್ಬುಕ್ಗಳನ್ನು ಪೈಥಾನ್ನಲ್ಲಿ ಬರೆಯಲಾಗಿದೆ ಮತ್ತು ಲಿಂಕ್ಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ ತರಬೇತಿ ಡೇಟಾಸೆಟ್ ಮತ್ತು ಮಾದರಿ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ವಿವರಿಸುವ ಮೂಲ ವೈಜ್ಞಾನಿಕ ದಾಖಲೆಯ ಉಲ್ಲೇಖಗಳು.
ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು
- ಚೌಕಟ್ಟಿನ ಪರಸ್ಪರ ಕಾರ್ಯಸಾಧ್ಯತೆ
- ಹಾರ್ಡ್ವೇರ್ ಆಪ್ಟಿಮೈಸೇಶನ್
ತೀರ್ಮಾನ
ಇದು ಅತ್ಯುತ್ತಮ ಚೌಕಟ್ಟುಗಳ ಸಾರಾಂಶವಾಗಿದೆ ಆಳವಾದ ಕಲಿಕೆ. ಈ ಉದ್ದೇಶಕ್ಕಾಗಿ ಹಲವಾರು ಚೌಕಟ್ಟುಗಳಿವೆ, ಉಚಿತ ಅಥವಾ ಪಾವತಿಸಲಾಗಿದೆ. ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ಗೆ ಉತ್ತಮವಾದುದನ್ನು ಆಯ್ಕೆ ಮಾಡಲು, ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನೀವು ಯಾವ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಮೊದಲು ತಿಳಿಯಿರಿ.
TensorFlow ಮತ್ತು Keras ನಂತಹ ಸಾಮಾನ್ಯ ಚೌಕಟ್ಟುಗಳು ಪ್ರಾರಂಭಿಸಲು ಉತ್ತಮ ಆಯ್ಕೆಗಳಾಗಿವೆ. ಆದರೆ ನೀವು OS ಅಥವಾ ಸಾಧನ-ನಿರ್ದಿಷ್ಟ ಪ್ರಯೋಜನಗಳನ್ನು ಬಳಸಬೇಕಾದರೆ, ಕೋರ್ ML ಮತ್ತು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಕಾಗ್ನಿಟಿವ್ ಟೂಲ್ಕಿಟ್ ಅತ್ಯುತ್ತಮ ಆಯ್ಕೆಗಳಾಗಿರಬಹುದು.
Android ಸಾಧನಗಳು, ಇತರ ಯಂತ್ರಗಳು ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಈ ಪಟ್ಟಿಯಲ್ಲಿ ಉಲ್ಲೇಖಿಸದಿರುವ ಇತರ ಚೌಕಟ್ಟುಗಳು ಇವೆ. ನಂತರದ ಗುಂಪು ನಿಮಗೆ ಆಸಕ್ತಿಯಿದ್ದರೆ, Google ಅಥವಾ ಇತರ ಯಂತ್ರ ಕಲಿಕೆ ಸೈಟ್ಗಳಲ್ಲಿ ಅವರ ಮಾಹಿತಿಯನ್ನು ಹುಡುಕಲು ನಾವು ಸಲಹೆ ನೀಡುತ್ತೇವೆ.
ಪ್ರತ್ಯುತ್ತರ ನೀಡಿ