ກອບສໍາລັບການຮຽນຮູ້ເລິກປະກອບດ້ວຍການປະສົມປະສານຂອງການໂຕ້ຕອບ, ຫ້ອງສະຫມຸດແລະເຄື່ອງມືເພື່ອກໍານົດແລະຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ໄວແລະຖືກຕ້ອງ.
ເນື່ອງຈາກວ່າການຮຽນຮູ້ເລິກເຊິ່ງໃຊ້ຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ, ບໍ່ແມ່ນຕົວຫນັງສືຈໍານວນຫລາຍ, ທ່ານຕ້ອງການກອບທີ່ຄວບຄຸມການໂຕ້ຕອບລະຫວ່າງ "ຊັ້ນ" ແລະເຮັດໃຫ້ການພັດທະນາຕົວແບບໄວໂດຍການຮຽນຮູ້ຈາກຂໍ້ມູນປ້ອນຂໍ້ມູນແລະການຕັດສິນໃຈອັດຕະໂນມັດ.
ຖ້າທ່ານມີຄວາມສົນໃຈໃນການຮຽນຮູ້ກ່ຽວກັບການຮຽນຮູ້ເລິກເຊິ່ງໃນປີ 2021, ໃຫ້ພິຈາລະນານໍາໃຊ້ຫນຶ່ງໃນກອບທີ່ລະບຸໄວ້ຂ້າງລຸ່ມນີ້. ຈືຂໍ້ມູນການທີ່ຈະເລືອກເອົາຫນຶ່ງທີ່ຈະຊ່ວຍໃຫ້ທ່ານບັນລຸເປົ້າຫມາຍແລະວິໄສທັດຂອງທ່ານ.
1. TensorFlow
ເມື່ອເວົ້າເຖິງການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ. TensorFlow ມັກຈະເປັນກອບທໍາອິດທີ່ໄດ້ກ່າວມາ. ຄວາມນິຍົມສູງ, ກອບນີ້ບໍ່ພຽງແຕ່ໃຊ້ໂດຍ Google - ບໍລິສັດທີ່ຮັບຜິດຊອບໃນການສ້າງຂອງມັນ - ແຕ່ຍັງບໍລິສັດອື່ນໆເຊັ່ນ Dropbox, eBay, Airbnb, Nvidia, ແລະອື່ນໆຈໍານວນຫຼາຍ.
TensorFlow ສາມາດຖືກນໍາໃຊ້ເພື່ອພັດທະນາ API ລະດັບສູງແລະຕ່ໍາ, ຊ່ວຍໃຫ້ທ່ານສາມາດດໍາເນີນການຄໍາຮ້ອງສະຫມັກໃນເກືອບທຸກປະເພດຂອງອຸປະກອນ. ເຖິງແມ່ນວ່າ Python ເປັນພາສາຕົ້ນຕໍ, ການໂຕ້ຕອບຂອງ Tensoflow ສາມາດເຂົ້າເຖິງແລະຄວບຄຸມໂດຍໃຊ້ພາສາການຂຽນໂປຼແກຼມອື່ນໆເຊັ່ນ C ++, Java, Julia, ແລະ JavaScript.
ເປັນແຫຼ່ງເປີດ, TensorFlow ອະນຸຍາດໃຫ້ທ່ານເຮັດການເຊື່ອມໂຍງຫຼາຍໆຢ່າງກັບ APIs ອື່ນໆແລະໄດ້ຮັບການສະຫນັບສະຫນູນແລະການປັບປຸງຢ່າງໄວວາຈາກຊຸມຊົນ. ການອີງໃສ່ "ກາຟສະຖິດ" ສໍາລັບການຄິດໄລ່ຊ່ວຍໃຫ້ທ່ານສາມາດຄິດໄລ່ທັນທີຫຼືປະຫຍັດການດໍາເນີນງານສໍາລັບການເຂົ້າເຖິງໃນເວລາອື່ນ. ເຫດຜົນເຫຼົ່ານີ້, ເພີ່ມຄວາມເປັນໄປໄດ້ທີ່ທ່ານສາມາດ "ເບິ່ງ" ການພັດທະນາເຄືອຂ່າຍ neural ຂອງທ່ານໂດຍຜ່ານ TensorBoard, ເຮັດໃຫ້ TensorFlow ເປັນກອບທີ່ນິຍົມທີ່ສຸດສໍາລັບການຮຽນຮູ້ເລິກ.
ຄຸນນະສົມບັດທີ່ສໍາຄັນ
- ແຫຼ່ງເປີດ
- ຄວາມຍືດຫຍຸ່ນ
- ການດີບັກໄວ
2. PyTorch
PyTorch ແມ່ນກອບທີ່ພັດທະນາໂດຍເຟສບຸກເພື່ອສະຫນັບສະຫນູນການດໍາເນີນງານຂອງການບໍລິການຂອງຕົນ. ນັບຕັ້ງແຕ່ກາຍເປັນແຫຼ່ງເປີດ, ກອບນີ້ຖືກນໍາໃຊ້ໂດຍບໍລິສັດອື່ນນອກເຫນືອຈາກ Facebook, ເຊັ່ນ Salesforce ແລະ Udacity.
ໂຄງຮ່າງການນີ້ເຮັດວຽກກຣາຟທີ່ມີການປັບປຸງແບບໄດນາມິກ, ອະນຸຍາດໃຫ້ທ່ານເຮັດການປ່ຽນແປງສະຖາປັດຕະຍະກໍາຂອງຊຸດຂໍ້ມູນຂອງທ່ານໃນຂະນະທີ່ທ່ານປະມວນຜົນມັນ. ດ້ວຍ PyTorch ມັນງ່າຍກວ່າທີ່ຈະພັດທະນາ ແລະຝຶກອົບຮົມເຄືອຂ່າຍ neural, ເຖິງແມ່ນວ່າບໍ່ມີປະສົບການໃນການຮຽນຮູ້ເລິກເຊິ່ງ.
ເປັນແຫຼ່ງເປີດແລະອີງໃສ່ Python, ທ່ານສາມາດເຮັດການເຊື່ອມໂຍງແບບງ່າຍດາຍແລະໄວກັບ PyTorch. ມັນຍັງເປັນກອບງ່າຍດາຍທີ່ຈະຮຽນຮູ້, ໃຊ້, ແລະດີບັກ. ຖ້າທ່ານມີຄໍາຖາມ, ທ່ານສາມາດອີງໃສ່ການສະຫນັບສະຫນູນແລະການປັບປຸງທີ່ຍິ່ງໃຫຍ່ຈາກຊຸມຊົນທັງສອງ - ຊຸມຊົນ Python ແລະຊຸມຊົນ PyTorch.
ຄຸນນະສົມບັດທີ່ສໍາຄັນ
- ງ່າຍທີ່ຈະຮຽນຮູ້
- ຮອງຮັບ GPU ແລະ CPU
- ຊຸດ APIs ທີ່ອຸດົມສົມບູນເພື່ອຂະຫຍາຍຫ້ອງສະຫມຸດ
3. Apache MX Net
ເນື່ອງຈາກຄວາມສາມາດຂະຫຍາຍໄດ້ສູງ, ປະສິດທິພາບສູງ, ການແກ້ໄຂບັນຫາໄວ, ແລະການສະຫນັບສະຫນູນ GPU ຂັ້ນສູງ, ກອບນີ້ຖືກສ້າງຂື້ນໂດຍ Apache ເພື່ອໃຊ້ໃນໂຄງການອຸດສາຫະກໍາຂະຫນາດໃຫຍ່.
MXNet ປະກອບມີການໂຕ້ຕອບ Gluon ທີ່ອະນຸຍາດໃຫ້ນັກພັດທະນາທຸກລະດັບທັກສະ ເລີ່ມຕົ້ນດ້ວຍການຮຽນຮູ້ເລິກ ໃນຄລາວ, ອຸປະກອນເທິງຂອບ, ແລະໃນແອັບຯມືຖື. ໃນພຽງແຕ່ສອງສາມສາຍຂອງລະຫັດ Gluon, ທ່ານສາມາດສ້າງ regression linear, ເຄືອຂ່າຍ convolutional ແລະ LSTMs ທີ່ເກີດຂຶ້ນຄືນສໍາລັບ ການຊອກຄົ້ນຫາວັດຖຸ, ການຮັບຮູ້ສຽງເວົ້າ, ການແນະນໍາ, ແລະການປັບແຕ່ງສ່ວນບຸກຄົນ.
MXNet ສາມາດຖືກນໍາໃຊ້ໃນອຸປະກອນຕ່າງໆແລະໄດ້ຮັບການສະຫນັບສະຫນູນໂດຍຫຼາຍໆຄົນ ພາສາການຂຽນໂປແກຼມ ເຊັ່ນ Java, R, JavaScript, Scala ແລະ Go. ເຖິງແມ່ນວ່າຈໍານວນຜູ້ໃຊ້ແລະສະມາຊິກໃນຊຸມຊົນຂອງຕົນມີຫນ້ອຍ, MXNet ມີເອກະສານທີ່ຂຽນໄດ້ດີແລະມີທ່າແຮງອັນໃຫຍ່ຫຼວງສໍາລັບການເຕີບໂຕ, ໂດຍສະເພາະໃນປັດຈຸບັນທີ່ Amazon ໄດ້ເລືອກກອບນີ້ເປັນເຄື່ອງມືຕົ້ນຕໍສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກໃນ AWS.
ຄຸນນະສົມບັດທີ່ສໍາຄັນ
- 8 ພາສາຜູກມັດ
- ການຝຶກອົບຮົມການແຈກຢາຍ, ສະຫນັບສະຫນູນຫຼາຍ CPU ແລະຫຼາຍລະບົບ GPU
- ປະສົມດ້ານໜ້າ, ອະນຸຍາດໃຫ້ສະຫຼັບລະຫວ່າງໂໝດຈຳເປັນ ແລະ ສັນຍາລັກ
4. ເຄື່ອງມື ສຳ ລັບ Microsoft Cognitive
ຖ້າທ່ານກໍາລັງຄິດທີ່ຈະພັດທະນາແອັບພລິເຄຊັນຫຼືບໍລິການທີ່ດໍາເນີນການໃນ Azure (ບໍລິການຟັງຂອງ Microsoft), Microsoft Cognitive Toolkit ເປັນກອບທີ່ຈະເລືອກເອົາສໍາລັບໂຄງການການຮຽນຮູ້ເລິກຂອງທ່ານ. ນີ້ແມ່ນແຫຼ່ງເປີດ, ແລະສະຫນັບສະຫນູນໂດຍພາສາການຂຽນໂປຼແກຼມເຊັ່ນ Python, C++, C#, Java, ແລະອື່ນໆ. ກອບນີ້ຖືກອອກແບບມາເພື່ອ "ຄິດຄືກັບສະຫມອງຂອງມະນຸດ", ດັ່ງນັ້ນມັນສາມາດປະມວນຜົນຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງຈໍານວນຫລາຍ, ໃນຂະນະທີ່ສະເຫນີການຝຶກອົບຮົມໄວແລະສະຖາປັດຕະຍະກໍາ intuitive.
ໂດຍການເລືອກກອບນີ້ - ອັນດຽວກັນທີ່ຢູ່ເບື້ອງຫຼັງ Skype, Xbox, ແລະ Cortana - ທ່ານຈະໄດ້ຮັບການປະຕິບັດທີ່ດີຈາກແອັບພລິເຄຊັນ, ຄວາມສາມາດໃນການຂະຫຍາຍແລະການເຊື່ອມໂຍງກັບ Azure. ຢ່າງໃດກໍ່ຕາມ, ເມື່ອປຽບທຽບກັບ TensorFlow ຫຼື PyTorch, ຈໍານວນສະມາຊິກໃນຊຸມຊົນແລະການສະຫນັບສະຫນູນຂອງມັນຫຼຸດລົງ.
ວິດີໂອຕໍ່ໄປນີ້ສະເໜີການແນະນຳ ແລະຕົວຢ່າງການສະໝັກທີ່ສົມບູນ:
ຄຸນນະສົມບັດທີ່ສໍາຄັນ
- ເອກະສານທີ່ຈະແຈ້ງ
- ສະຫນັບສະຫນູນຈາກທີມງານ Microsoft
- ການເບິ່ງເຫັນກາຟໂດຍກົງ
5. Keras
ເຊັ່ນດຽວກັນກັບ PyTorch, Keras ແມ່ນຫ້ອງສະຫມຸດທີ່ໃຊ້ Python ສໍາລັບໂຄງການທີ່ໃຊ້ຂໍ້ມູນຫຼາຍ. keras API ເຮັດວຽກຢູ່ໃນລະດັບສູງແລະອະນຸຍາດໃຫ້ປະສົມປະສານກັບ API ລະດັບຕ່ໍາເຊັ່ນ TensorFlow, Theano, ແລະ Microsoft Cognitive Toolkit.
ບາງຂໍ້ໄດ້ປຽບຂອງການໃຊ້ keras ແມ່ນຄວາມງ່າຍໃນການຮຽນຮູ້ – ເປັນໂຄງຮ່າງການແນະນຳສຳລັບຜູ້ເລີ່ມຕົ້ນໃນການຮຽນຮູ້ເລິກເຊິ່ງ; ຄວາມໄວຂອງການປະຕິບັດຂອງຕົນ; ໄດ້ຮັບການສະຫນັບສະຫນູນຢ່າງຫຼວງຫຼາຍຈາກຊຸມຊົນ python ແລະຈາກຊຸມຊົນຂອງກອບອື່ນໆທີ່ມັນຖືກປະສົມປະສານ.
Keras ປະກອບດ້ວຍການປະຕິບັດຕ່າງໆຂອງ ການກໍ່ສ້າງຕັນຂອງເຄືອຂ່າຍ neural ເຊັ່ນ: ຊັ້ນ, ຫນ້າທີ່ຈຸດປະສົງ, ຫນ້າທີ່ເປີດໃຊ້ງານ, ແລະຕົວເພີ່ມປະສິດທິພາບທາງຄະນິດສາດ. ລະຫັດຂອງມັນຖືກຈັດຢູ່ໃນ GitHub ແລະມີເວທີສົນທະນາແລະຊ່ອງທາງສະຫນັບສະຫນູນ Slack. ນອກເຫນືອຈາກການສະຫນັບສະຫນູນມາດຕະຖານ ເຄືອຂ່າຍ neural, Keras ສະຫນອງການສະຫນັບສະຫນູນສໍາລັບເຄືອຂ່າຍ Neural Convolutional ແລະເຄືອຂ່າຍ Neural ທີ່ເກີດໃຫມ່.
Keras ອະນຸຍາດໃຫ້ ຮູບແບບການຮຽນຮູ້ເລິກ ເພື່ອສ້າງຢູ່ໃນໂທລະສັບສະຫຼາດທັງ iOS ແລະ Android, ໃນ Java Virtual Machine, ຫຼືໃນເວັບ. ມັນຍັງອະນຸຍາດໃຫ້ນໍາໃຊ້ການຝຶກອົບຮົມແບບແຈກຢາຍຂອງແບບຈໍາລອງການຮຽນຮູ້ເລິກຢູ່ໃນກຸ່ມຂອງຫນ່ວຍປະມວນຜົນກາຟິກ (GPU) ແລະຫນ່ວຍປະມວນຜົນ Tensor (TPU).
ຄຸນນະສົມບັດທີ່ສໍາຄັນ
- ແບບຈໍາລອງທາງສ່ວນຫນ້າຂອງການຝຶກອົບຮົມ
- ສະຫນັບສະຫນູນ backend ຫຼາຍ
- ສະຫນັບສະຫນູນຊຸມຊົນທີ່ເປັນມິດກັບຜູ້ໃຊ້ແລະຂະຫນາດໃຫຍ່
6. Apple Core ML
Core ML ຖືກພັດທະນາໂດຍ Apple ເພື່ອຮອງຮັບລະບົບນິເວດຂອງມັນ – IOS, Mac OS, ແລະ iPad OS. API ຂອງມັນເຮັດວຽກຢູ່ໃນລະດັບຕໍ່າ, ເຮັດໃຫ້ການນໍາໃຊ້ຊັບພະຍາກອນຂອງ CPU ແລະ GPU ໄດ້ດີ, ເຊິ່ງອະນຸຍາດໃຫ້ຕົວແບບແລະແອັບພລິເຄຊັນທີ່ສ້າງຂຶ້ນເພື່ອສືບຕໍ່ເຮັດວຽກເຖິງແມ່ນວ່າບໍ່ມີການເຊື່ອມຕໍ່ອິນເຕີເນັດ, ເຊິ່ງຊ່ວຍຫຼຸດຜ່ອນ "ຄວາມຈໍາ" ແລະການບໍລິໂພກພະລັງງານຂອງອຸປະກອນ.
ວິທີທີ່ Core ML ບັນລຸອັນນີ້ແມ່ນບໍ່ແນ່ນອນໂດຍການສ້າງຫ້ອງສະໝຸດການຮຽນຮູ້ເຄື່ອງຈັກອີກອັນໜຶ່ງທີ່ເໝາະສົມສຳລັບແລ່ນໃນ iPhone/ipad. ແທນທີ່ຈະ, Core ML ແມ່ນຄ້າຍຄືກັບ compiler ທີ່ເອົາຂໍ້ມູນສະເພາະຂອງຕົວແບບແລະຕົວກໍານົດການທີ່ໄດ້ຮັບການຝຶກອົບຮົມສະແດງອອກກັບຊອບແວການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆແລະປ່ຽນມັນເຂົ້າໄປໃນໄຟລ໌ທີ່ກາຍເປັນຊັບພະຍາກອນສໍາລັບແອັບຯ iOS. ການປ່ຽນເປັນແບບ Core ML ນີ້ເກີດຂຶ້ນໃນລະຫວ່າງການພັດທະນາແອັບ, ບໍ່ແມ່ນໃນເວລາຈິງ ເນື່ອງຈາກແອັບກຳລັງຖືກໃຊ້, ແລະ ໄດ້ຮັບການອຳນວຍຄວາມສະດວກໂດຍຫ້ອງສະໝຸດ coremltools python.
Core ML ສະໜອງປະສິດທິພາບໄວດ້ວຍການລວມເຂົ້າກັນໄດ້ງ່າຍ ການຮຽນຮູ້ເຄື່ອງຈັກ ແບບຈໍາລອງເຂົ້າໃນຄໍາຮ້ອງສະຫມັກ. ມັນສະຫນັບສະຫນູນການຮຽນຮູ້ເລິກທີ່ມີຫຼາຍກວ່າ 30 ປະເພດຂອງຊັ້ນເຊັ່ນດຽວກັນກັບຕົ້ນໄມ້ການຕັດສິນໃຈ, ສະຫນັບສະຫນູນເຄື່ອງຈັກ vector, ແລະວິທີການ regression ເສັ້ນ, ທັງຫມົດທີ່ສ້າງຂຶ້ນເທິງຂອງເຕັກໂນໂລຊີລະດັບຕ່ໍາເຊັ່ນ: ໂລຫະແລະການເລັ່ງ.
ຄຸນນະສົມບັດທີ່ສໍາຄັນ
- ງ່າຍທີ່ຈະປະສົມປະສານເຂົ້າໃນກິດ
- ການນໍາໃຊ້ທີ່ດີທີ່ສຸດຂອງຊັບພະຍາກອນທ້ອງຖິ່ນ, ບໍ່ຈໍາເປັນຕ້ອງການເຂົ້າເຖິງອິນເຕີເນັດ
- ຄວາມເປັນສ່ວນຕົວ: ຂໍ້ມູນບໍ່ຈໍາເປັນຕ້ອງອອກຈາກອຸປະກອນ
7. ONNX
ກອບສຸດທ້າຍໃນບັນຊີລາຍຊື່ຂອງພວກເຮົາແມ່ນ ONNX. ກອບນີ້ເກີດຂື້ນຈາກການຮ່ວມມືລະຫວ່າງ Microsoft ແລະ Facebook, ໂດຍມີເປົ້າຫມາຍເພື່ອເຮັດໃຫ້ຂະບວນການໂອນແລະການສ້າງແບບຈໍາລອງງ່າຍຂຶ້ນລະຫວ່າງກອບ, ເຄື່ອງມື, ເວລາແລ່ນແລະເຄື່ອງລວບລວມຂໍ້ມູນທີ່ແຕກຕ່າງກັນ.
ONNX ກໍານົດປະເພດໄຟລ໌ທົ່ວໄປທີ່ສາມາດດໍາເນີນການໃນຫຼາຍແພລະຕະຟອມ, ໃນຂະນະທີ່ນໍາໃຊ້ຜົນປະໂຫຍດຂອງ APIs ລະດັບຕ່ໍາເຊັ່ນ: ເຄື່ອງມືຈາກ Microsoft Cognitive Toolkit, MXNet, Caffe ແລະ (ໃຊ້ຕົວແປງ) Tensorflow ແລະ Core ML. ຫຼັກການທີ່ຢູ່ເບື້ອງຫຼັງ ONNX ແມ່ນການຝຶກອົບຮົມຕົວແບບໃນ stack ແລະປະຕິບັດມັນໂດຍໃຊ້ inferences ແລະການຄາດຄະເນອື່ນໆ.
ມູນນິທິ LF AI, ເປັນອົງການຍ່ອຍຂອງມູນນິທິ Linux, ແມ່ນອົງການທີ່ອຸທິດຕົນເພື່ອສ້າງລະບົບນິເວດເພື່ອສະຫນັບສະຫນູນ. ເປີດເຜີຍແຫຼ່ງ ນະວັດຕະກໍາໃນປັນຍາປະດິດ (AI), ການຮຽນຮູ້ເຄື່ອງຈັກ (ML), ແລະການຮຽນຮູ້ເລິກ (DL). ມັນໄດ້ເພີ່ມ ONNX ເປັນໂຄງການລະດັບປະລິນຍາຕີໃນວັນທີ 14 ພະຈິກ 2019. ການເຄື່ອນໄຫວຂອງ ONNX ພາຍໃຕ້ການເປັນຮົ່ມຂອງມູນນິທິ LF AI ໄດ້ຖືກເຫັນວ່າເປັນຈຸດສໍາຄັນໃນການສ້າງຕັ້ງ ONNX ເປັນມາດຕະຖານຮູບແບບເປີດຂອງຜູ້ຂາຍທີ່ເປັນກາງ.
ONNX Model Zoo ແມ່ນຊຸດຂອງແບບຈໍາລອງທີ່ຜ່ານການຝຶກອົບຮົມໃນ Deep Learning ທີ່ມີຢູ່ໃນຮູບແບບ ONNX. ສໍາລັບແຕ່ລະແບບມີ ປື້ມບັນທຶກ Jupyter ສໍາລັບການຝຶກອົບຮົມຕົວແບບແລະການປະຕິບັດ inference ກັບຮູບແບບການຝຶກອົບຮົມ. ປື້ມບັນທຶກແມ່ນຂຽນໃນ Python ແລະປະກອບດ້ວຍການເຊື່ອມຕໍ່ກັບ ຊຸດຂໍ້ມູນການຝຶກອົບຮົມ ແລະການອ້າງອີງເຖິງເອກະສານວິທະຍາສາດຕົ້ນສະບັບທີ່ອະທິບາຍເຖິງສະຖາປັດຕະຍະກໍາແບບຈໍາລອງ.
ຄຸນນະສົມບັດທີ່ສໍາຄັນ
- ການຮ່ວມມືລະຫວ່າງກອບ
- ການເພີ່ມປະສິດທິພາບຂອງຮາດແວ
ສະຫຼຸບ
ນີ້ແມ່ນບົດສະຫຼຸບຂອງກອບທີ່ດີທີ່ສຸດສໍາລັບ ການຮຽນຮູ້ລຶກລັບ. ມີຫຼາຍກອບສໍາລັບຈຸດປະສົງນີ້, ບໍ່ເສຍຄ່າຫຼືຈ່າຍ. ເພື່ອເລືອກສິ່ງທີ່ດີທີ່ສຸດສໍາລັບໂຄງການຂອງທ່ານ, ກ່ອນອື່ນ ໝົດ ຈົ່ງຮູ້ວ່າເວທີໃດທີ່ເຈົ້າຈະພັດທະນາແອັບພລິເຄຊັນຂອງເຈົ້າ.
ກອບທົ່ວໄປເຊັ່ນ TensorFlow ແລະ Keras ແມ່ນທາງເລືອກທີ່ດີທີ່ສຸດທີ່ຈະເລີ່ມຕົ້ນ. ແຕ່ຖ້າທ່ານຕ້ອງການໃຊ້ OS ຫຼືຂໍ້ດີສະເພາະຂອງອຸປະກອນ, Core ML ແລະ Microsoft Cognitive Toolkit ອາດຈະເປັນທາງເລືອກທີ່ດີທີ່ສຸດ.
ມີກອບອື່ນໆທີ່ແນໃສ່ອຸປະກອນ Android, ເຄື່ອງຈັກອື່ນໆ, ແລະຈຸດປະສົງສະເພາະທີ່ບໍ່ໄດ້ກ່າວເຖິງໃນບັນຊີລາຍຊື່ນີ້. ຖ້າກຸ່ມຄົນສຸດທ້າຍສົນໃຈທ່ານ, ພວກເຮົາແນະນໍາໃຫ້ເຮັດການຄົ້ນຫາຂໍ້ມູນຂອງພວກເຂົາຢູ່ໃນ Google ຫຼືເວັບໄຊທ໌ການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆ.
ອອກຈາກ Reply ເປັນ