Inhaltsverzeechnes[Verstoppen][Show]
E Kader fir Deep Learning besteet aus enger Kombinatioun vun Interfaces, Bibliothéiken an Tools fir Machine Learning Modeller séier a präzis ze definéieren an ze trainéieren.
Well déif Léieren eng grouss Quantitéit vun onstrukturéierten, net-textuellen Donnéeën benotzt, brauch Dir e Kader, deen d'Interaktioun tëscht den "Schichten" kontrolléiert an d'Modellentwécklung séier mécht andeems Dir vun den Inputdaten léiert an autonom Entscheedungen maacht.
Wann Dir interesséiert sidd iwwer déif Léieren am Joer 2021 ze léieren, betruecht ee vun de Kaderen hei ënnen ze benotzen. Denkt drun een ze wielen deen Iech hëlleft Är Ziler a Visioun z'erreechen.
1. TensorFlow
Wann Dir iwwer déif Léieren schwätzt, TensorFlow ass dacks den éischte Kader ernimmt. Ganz populär gëtt dëse Kader net nëmme vu Google benotzt - d'Firma verantwortlech fir seng Schafung - awer och vun anere Firmen wéi Dropbox, eBay, Airbnb, Nvidia, a sou vill anerer.
TensorFlow ka benotzt ginn fir High- an Low Level APIs z'entwéckelen, wat Iech erlaabt Uwendungen op bal all Zort vun Apparat ze lafen. Och wann Python seng primär Sprooch ass, kann dem Tensoflow seng Interface zougänglech a kontrolléiert ginn mat anere Programméierungssprooche wéi C++, Java, Julia, a JavaScript.
Als Open-Source, TensorFlow erlaabt Iech verschidden Integratioune mat aneren APIen ze maachen a séier Ënnerstëtzung an Updates vun der Gemeinschaft ze kréien. Seng Ofhängegkeet op "statesch Grafike" fir Berechnung erlaabt Iech direkt Berechnungen ze maachen oder Operatiounen ze späicheren fir Zougang zu enger anerer Zäit. Dës Grënn, bäigefüügt fir d'Méiglechkeet datt Dir d'Entwécklung vun Ärem neurale Netzwierk duerch TensorBoard "kucke" kënnt, maachen TensorFlow de populärste Kader fir déif Léieren.
Schlëssel ass näischt geschitt
- Open-Quell
- Flexibilitéit
- Schnell Debugging
2. PyTorch
PyTorch ass e Kader entwéckelt vu Facebook fir d'Operatioun vu senge Servicer z'ënnerstëtzen. Zënter datt et Open-Source gouf, gouf dëse Kader vun anere Firmen wéi Facebook benotzt, wéi Salesforce an Udacity.
Dëse Kader bedreift dynamesch aktualiséiert Grafiken, wat Iech erlaabt Ännerungen un der Architektur vun Ärem Datesaz ze maachen wéi Dir se veraarbecht. Mat PyTorch ass et méi einfach en neuralt Netzwierk z'entwéckelen an ze trainéieren, och ouni Erfahrung am Deep Léieren.
Als Open-Source a baséiert op Python, kënnt Dir einfach a séier Integratiounen op PyTorch maachen. Et ass och en einfache Kader fir ze léieren, ze benotzen an ze debuggen. Wann Dir Froen hutt, kënnt Dir op déi grouss Ënnerstëtzung an Updates vu béide Gemeinschafte zielen - Python Gemeinschaft an der PyTorch Gemeinschaft.
Schlëssel ass näischt geschitt
- Einfach ze léieren
- Ënnerstëtzt GPU an CPU
- Räich Set vun APIen fir Bibliothéiken ze verlängeren
3. Apache MX Net
Wéinst senger héijer Skalierbarkeet, héijer Leeschtung, séierer Troubleshooting a fortgeschratt GPU-Ënnerstëtzung gouf dëse Kader vun Apache erstallt fir a groussen industrielle Projeten ze benotzen.
MXNet enthält d'Gluon Interface déi Entwéckler vun all Fäegkeetsniveau erlaabt ufänken mat Deep Learning op der Wollek, op Randgeräter, an op mobilen Apps. A just e puer Zeilen vu Gluon Code kënnt Dir linear Regressioun bauen, konvolutional Netzwierker a widderhuelend LSTMs fir Objet Detektioun, Riederkennung, Empfehlung a Personaliséierung.
MXNet kann op verschiddenen Apparater benotzt ginn a gëtt vu verschiddenen ënnerstëtzt programméiere Sproochen wéi Java, R, JavaScript, Scala a Go. Och wann d'Zuel vun de Benotzer a Memberen a senger Gemeinschaft niddereg ass, huet MXNet gutt schrëftlech Dokumentatioun a grousst Potenzial fir Wuesstum, besonnesch elo datt Amazon dëse Kader als primär Tool fir Machine Learning op AWS ausgewielt huet.
Schlëssel ass näischt geschitt
- 8 Sproochbindungen
- Verdeelt Training, ënnerstëtzt Multi-CPU a Multi-GPU Systemer
- Hybrid Front-End, erlaabt tëscht imperativen a symbolesche Modi ze wiesselen
4. Microsoft kognitiven Toolkit
Wann Dir drun denkt Uwendungen oder Servicer z'entwéckelen déi op Azure (Microsoft Cloud Services) lafen, ass de Microsoft Cognitive Toolkit de Kader fir Är Deep Learning Projeten ze wielen. Dëst ass Open-Source, an ënnerstëtzt vu Programméierungssprooche wéi Python, C++, C#, Java, ënner anerem. Dëse Kader ass entwéckelt fir "wéi de mënschleche Gehir ze denken", sou datt et grouss Quantitéiten vun onstrukturéierten Donnéeën veraarbecht kann, wärend séier Training an eng intuitiv Architektur ubitt.
Andeems Dir dëse Kader auswielt - deeselwechten hannert Skype, Xbox, a Cortana - kritt Dir gutt Leeschtung vun Ären Uwendungen, Skalierbarkeet an einfach Integratioun mat Azure. Wéi och ëmmer, am Verglach mam TensorFlow oder PyTorch, gëtt d'Zuel vun de Memberen a senger Gemeinschaft an Ënnerstëtzung reduzéiert.
De folgende Video bitt eng komplett Aféierung an Uwendungsbeispiller:
Schlëssel ass näischt geschitt
- Kloer Dokumentatioun
- Ënnerstëtzung vum Microsoft Team
- Direkt Grafik Visualiséierung
5. Keras
Wéi PyTorch ass Keras eng Python-baséiert Bibliothéik fir datintensiv Projeten. D'keras API funktionnéiert op engem héijen Niveau an erlaabt Integratioune mat nidderegen Niveau APIs wéi TensorFlow, Theano, a Microsoft Cognitive Toolkit.
E puer Virdeeler fir d'Keras ze benotzen sinn seng Einfachheet ze léieren - de recommandéierte Kader fir Ufänger am Deep Learning ze sinn; seng Vitesse vun Détachement; grouss Ënnerstëtzung vun der Python Gemeinschaft a vun de Gemeinschafte vun den anere Kaderen mat deenen et integréiert ass.
Keras enthält verschidden Implementatioune vun der Bausteng vun neurale Netzwierker wéi Schichten, objektiv Funktiounen, Aktivéierungsfunktiounen a mathematesch Optimiséierer. Säi Code gëtt op GitHub gehost an et gi Foren an e Slack Support Kanal. Nieft Ënnerstëtzung fir Standard neural Netzwierker, Keras bitt Ënnerstëtzung fir Convolutional Neural Networks a Recurrent Neural Networks.
Keras erlaabt déif Léieren Modeller fir op Smartphones op iOS an Android, op enger Java Virtual Machine oder um Internet ze generéieren. Et erlaabt och d'Benotzung vun verdeelt Training vun Deep Learning Modeller op Cluster vun Grafiken Processing Unitéiten (GPU) an Tensor Processing Unitéiten (TPU).
Schlëssel ass näischt geschitt
- Pre-trainéiert Modeller
- Multiple Backend Ënnerstëtzung
- User-frëndlech a grouss Communautéit Ënnerstëtzung
6. Apple Core ML
Core ML gouf vun Apple entwéckelt fir säin Ökosystem z'ënnerstëtzen - IOS, Mac OS, an iPad OS. Seng API funktionnéiert op engem nidderegen Niveau, mécht gutt Benotzung vun de Ressourcen vun der CPU an der GPU, wat et erlaabt datt Modeller an Applikatiounen erstallt kënne lafen och ouni Internetverbindung, wat den "Erënnerungsfootprint" a Stroumverbrauch vum Apparat reduzéiert.
De Wee wéi Core ML dëst erreecht ass net genau andeems Dir eng aner Maschinnléierebibliothéik mécht, déi optimiséiert ass fir op iPhones / iPads ze lafen. Amplaz ass Core ML méi wéi e Compiler deen Modellspezifikatiounen an trainéiert Parameteren hëlt, ausgedréckt mat anere Maschinnléiersoftware an ëmwandelt se an eng Datei déi eng Ressource fir eng iOS App gëtt. Dës Konversioun zu engem Core ML Modell geschitt wärend der App Entwécklung, net an Echtzäit wéi d'App benotzt gëtt, a gëtt vun der Coremltools Python Bibliothéik erliichtert.
Kär ML liwwert séier Leeschtung mat einfach Integratioun vun Maschinn léieren Modeller an Applikatiounen. Et ënnerstëtzt déif Léieren mat iwwer 30 Aarte vu Schichten souwéi Entscheedungsbeem, Ënnerstëtzung vu Vecteure Maschinnen, a linear Regressiounsmethoden, all uewen op Low-Level Technologien wéi Metal a Accelerate gebaut.
Schlëssel ass näischt geschitt
- Einfach an Apps z'integréieren
- Optimal Notzung vu lokalen Ressourcen, net erfuerderlech Internetzougang
- Privatsphär: d'Donnéeën mussen den Apparat net verloossen
7. ONNX
De leschte Kader op eiser Lëscht ass ONNX. Dëse Kader ass entstanen aus enger Zesummenaarbecht tëscht Microsoft a Facebook, mam Zil de Prozess vum Transfert a Gebai Modeller tëscht verschiddene Kaderen, Tools, Runtimes a Compileren ze vereinfachen.
ONNX definéiert e gemeinsame Dateityp deen op verschidde Plattformen lafen kann, wärend d'Virdeeler vun Low-Level APIs benotzt wéi déi vu Microsoft Cognitive Toolkit, MXNet, Caffe an (mat Konverter) Tensorflow a Core ML. De Prinzip hannert ONNX ass e Modell op engem Stack ze trainéieren an et mat anere Inferenzen a Prognosen ëmzesetzen.
D'LF AI Foundation, eng Ënnerorganisatioun vun der Linux Foundation, ass eng Organisatioun gewidmet fir en Ökosystem ze bauen fir z'ënnerstëtzen Open-Source Innovatioun a kënschtlecher Intelligenz (AI), Maschinnléieren (ML), an Deep Learning (DL). Et huet ONNX als Graduéierter-Projet bäigefüügt am 14. November 2019. Dës Beweegung vun ONNX ënner dem Regenschirm vun der LF AI Foundation gouf als e wichtege Meilesteen ugesinn fir ONNX als Vendor-neutral Open-Format Standard ze etabléieren.
Den ONNX Model Zoo ass eng Sammlung vu pre-trainéierte Modeller am Deep Learning verfügbar am ONNX Format. Fir all Modell ginn et Jupyter Notizbuch fir Modellausbildung an Ausféierung mam ausgebilte Modell. D'Notizbicher sinn am Python geschriwwen an enthalen Linken op d' Training Dataset a Referenzen op dat ursprénglecht wëssenschaftlech Dokument dat d'Modellarchitektur beschreift.
Schlëssel ass näischt geschitt
- Kader Interoperabilitéit
- Hardware Optimisatioun
Konklusioun
Dëst ass e Resumé vun de beschte Kaderen fir ze léieren. Et gi verschidde Kaderen fir dësen Zweck, gratis oder bezuelt. Fir dat Bescht fir Äre Projet ze wielen, wësse fir d'éischt fir wéi eng Plattform Dir Är Applikatioun entwéckelt.
Allgemeng Kaderen wéi TensorFlow a Keras sinn déi bescht Optiounen fir unzefänken. Awer wann Dir OS oder Apparatspezifesch Virdeeler benotze musst, da kënnen Core ML a Microsoft Cognitive Toolkit déi bescht Optiounen sinn.
Et ginn aner Kaderen fir Android Apparater, aner Maschinnen a spezifesch Zwecker, déi net an dëser Lëscht ernimmt goufen. Wann déi lescht Grupp Iech interesséiert, proposéiere mir eng Sich no hirer Informatioun op Google oder aner Maschinnléierplazen ze maachen.
Hannerlooss eng Äntwert