ຖ້າເຈົ້າກໍາລັງອ່ານເລື່ອງນີ້, ແນ່ນອນເຈົ້າໄດ້ເລີ່ມການເດີນທາງຂອງເຈົ້າເຂົ້າໃນການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ. ຖ້າທ່ານເປັນຄົນໃໝ່ໃນຫົວຂໍ້ນີ້, ການຮຽນຮູ້ແບບເລິກເຊິ່ງແມ່ນສ່ວນເສີມທີ່ໃຊ້ໂຄງສ້າງຄ້າຍຄືສະໝອງທີ່ເປັນເອກະລັກທີ່ເອີ້ນວ່າເຄືອຂ່າຍ neural ທຽມ ເພື່ອສ້າງຄອມພິວເຕີທີ່ຄ້າຍຄືກັບມະນຸດເພື່ອແກ້ໄຂບັນຫາໃນຄວາມເປັນຈິງ.
ເພື່ອຊ່ວຍໃນການພັດທະນາການອອກແບບເຫຼົ່ານີ້, ເຕັກໂນໂລຊີ behemoths ເຊັ່ນ Google, Facebook, ແລະ Uber ໄດ້ພັດທະນາຄວາມຫລາກຫລາຍຂອງກອບສໍາລັບສະພາບແວດລ້ອມການຮຽນຮູ້ເລິກ Python, ເຮັດໃຫ້ມັນງ່າຍດາຍທີ່ຈະເຂົ້າໃຈ, ສ້າງ, ແລະການຝຶກອົບຮົມເຄືອຂ່າຍ neural ຫຼາກຫຼາຍຊະນິດ.
ກອບການຮຽນຮູ້ເລິກແມ່ນຊິ້ນສ່ວນຂອງຊອບແວທີ່ນັກວິຊາການແລະນັກວິທະຍາສາດຂໍ້ມູນໃຊ້ເພື່ອສ້າງແລະຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເລິກ.
ເປົ້າຫມາຍຂອງກອບເຫຼົ່ານີ້ແມ່ນເພື່ອເຮັດໃຫ້ບຸກຄົນສາມາດຝຶກອົບຮົມຕົວແບບຂອງເຂົາເຈົ້າໂດຍບໍ່ຈໍາເປັນຕ້ອງເຂົ້າໃຈເຕັກນິກທີ່ຢູ່ເບື້ອງຫລັງ ການຮຽນຮູ້ລຶກລັບ, ເຄືອຂ່າຍ neural, ແລະການຮຽນຮູ້ເຄື່ອງຈັກ.
ໂດຍຜ່ານການໂຕ້ຕອບການຂຽນໂປລແກລມລະດັບສູງ, ກອບເຫຼົ່ານີ້ສະຫນອງການສ້າງຕັນສໍາລັບການກໍ່ສ້າງ, ການຝຶກອົບຮົມ, ແລະການກວດສອບຕົວແບບ.
ພວກເຮົາຈະເບິ່ງ TensorFlow, Keras, Apache MXNet, Microsoft CNTK, ແລະ DeepLearing4j ເປັນທາງເລືອກຂອງ PyTorch, ເຊິ່ງຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງ. ກອບການຮຽນຮູ້ເລິກ.
Pytorg ແມ່ນຫຍັງ?
PyTorch ເປັນຫ້ອງສະໝຸດການຮຽນຮູ້ເຄື່ອງຈັກແບບເປີດທີ່ບໍ່ເສຍຄ່າ ແລະສ້າງຂຶ້ນດ້ວຍຫ້ອງສະໝຸດ Torch Python.
ມັນຖືກສ້າງຂື້ນໂດຍກຸ່ມການຄົ້ນຄວ້າ AI ຂອງ Facebook ແລະຈັດພິມເປັນຫ້ອງສະຫມຸດທີ່ບໍ່ເສຍຄ່າແລະເປີດໃນເດືອນມັງກອນ 2016 ດ້ວຍແອັບພລິເຄຊັນຕ່າງໆໃນວິໄສທັດຄອມພິວເຕີ, ການຮຽນຮູ້ເລິກເຊິ່ງແລະການປຸງແຕ່ງພາສາທໍາມະຊາດ.
ມັນມີພາສາການຂຽນໂປລແກລມທີ່ຈໍາເປັນແລະ Pythonic ທີ່ສະຫນັບສະຫນູນລະຫັດເປັນຕົວແບບ, ອໍານວຍຄວາມສະດວກໃນການດີບັກ, ແລະເຂົ້າກັນໄດ້ກັບຫ້ອງສະຫມຸດຄອມພິວເຕີ້ວິທະຍາສາດທີ່ນິຍົມອື່ນໆ, ທັງຫມົດໃນຂະນະທີ່ມີປະສິດທິພາບແລະເປີດໃຊ້ຕົວເລັ່ງຮາດແວເຊັ່ນ GPUs.
PyTorch ໄດ້ເຕີບໃຫຍ່ໃນຄວາມນິຍົມໃນບັນດານັກຄົ້ນຄວ້າການຮຽນຮູ້ເລິກເຊິ່ງຍ້ອນການສຸມໃສ່ການນໍາໃຊ້ແລະການພິຈາລະນາການປະຕິບັດຢ່າງລະອຽດ.
ມັນປະກອບດ້ວຍໂຄງສ້າງຂໍ້ມູນພື້ນຖານ, Tensor, ເຊິ່ງເປັນ array ຫຼາຍມິຕິລະດັບທີ່ຄ້າຍຄືກັບ Numpy arrays, ເຊິ່ງຊ່ວຍໃຫ້ນັກຂຽນໂປລແກລມສາມາດອອກແບບທີ່ສັບສົນໄດ້ງ່າຍ. ເຄືອຂ່າຍ neural.
ມັນໄດ້ກາຍເປັນທີ່ນິຍົມຫລາຍຂຶ້ນໃນຂະແຫນງການໃນປະຈຸບັນແລະໃນຊຸມຊົນທາງວິຊາການເນື່ອງຈາກຄວາມຍືດຫຍຸ່ນ, ຄວາມໄວ, ແລະຄວາມສະດວກໃນການປະຕິບັດ, ເຮັດໃຫ້ມັນເປັນຫນຶ່ງໃນເຄື່ອງມືການຮຽນຮູ້ເລິກທີ່ສຸດ.
ຄຸນນະສົມບັດທີ່ສໍາຄັນ Pytorg
- PyTorch ແມ່ນ Python-centric, ຫຼື "pythonic," ໃນນັ້ນມັນຫມາຍເຖິງການເຊື່ອມໂຍງຢ່າງເລິກເຊິ່ງກັບການຂຽນໂປຼແກຼມ Python ແທນທີ່ຈະເປັນສ່ວນຕິດຕໍ່ກັບຫ້ອງສະຫມຸດທີ່ພັດທະນາໃນພາສາອື່ນ.
- ງ່າຍດາຍທີ່ຈະຮຽນຮູ້ - PyTorch ປະຕິບັດຕາມໂຄງສ້າງດຽວກັນກັບການຂຽນໂປລແກລມແບບດັ້ງເດີມແລະໄດ້ຖືກບັນທຶກໄວ້ຢ່າງລະມັດລະວັງ, ໂດຍຊຸມຊົນນັກພັດທະນາສະເຫມີພະຍາຍາມປັບປຸງມັນ. ສະນັ້ນມັນເປັນການງ່າຍດາຍທີ່ຈະຮຽນຮູ້ສໍາລັບທັງນັກຂຽນໂປລແກລມແລະບໍ່ແມ່ນນັກຂຽນໂປລແກລມ.
- PyTorch ສາມາດແບ່ງວຽກຄອມພິວເຕີ້ຫຼາຍກວ່າ CPU ຫຼາຍຫຼື GPU cores ການນໍາໃຊ້ຄວາມສາມາດຂະຫນານຂໍ້ມູນ. ເຖິງແມ່ນວ່າການຂະຫນານທີ່ຄ້າຍຄືກັນສາມາດເຮັດສໍາເລັດດ້ວຍເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆ, PyTorch ເຮັດໃຫ້ມັນງ່າຍຂຶ້ນຫຼາຍ.
- ການດີບັກ: ຫນຶ່ງໃນເຄື່ອງມືການດີບັກ Python ທີ່ສາມາດເຂົ້າເຖິງໄດ້ຢ່າງກວ້າງຂວາງ (ຕົວຢ່າງ, ເຄື່ອງມື pdb ແລະ ipdb ຂອງ Python) ສາມາດໃຊ້ເພື່ອດີບັກ PyTorch.
- PyTorch ສະຫນັບສະຫນູນກາຟການຄິດໄລ່ແບບເຄື່ອນໄຫວ, ເຊິ່ງຫມາຍຄວາມວ່າພຶດຕິກໍາຂອງເຄືອຂ່າຍສາມາດປ່ຽນແປງແບບເຄື່ອນໄຫວໃນເວລາແລ່ນ.
- PyTorch ມາພ້ອມກັບໂມດູນພິເສດຕ່າງໆ, ເຊັ່ນ: torchtext, torchvision, ແລະ torchaudio, ທີ່ສາມາດຖືກນໍາໃຊ້ເພື່ອຈັດການກັບຂົງເຂດທີ່ຫຼາກຫຼາຍຂອງການຮຽນຮູ້ເລິກ, ເຊັ່ນ: NLP, ວິໄສທັດຄອມພິວເຕີ, ແລະການປະມວນຜົນສຽງ.
ຂໍ້ຈໍາກັດ Pytoch
- ການໂຕ້ຕອບການຕິດຕາມກວດກາແລະການເບິ່ງເຫັນຈໍາກັດ: ໃນຂະນະທີ່ TensorFlow ປະກອບມີເຄື່ອງມືການເບິ່ງເຫັນທີ່ມີປະສິດທິພາບສໍາລັບການສ້າງກາຟແບບຈໍາລອງ (TensorBoard), PyTorch ປະຈຸບັນຍັງຂາດຄຸນສົມບັດນີ້. ດັ່ງນັ້ນ, ນັກພັດທະນາສາມາດເຊື່ອມຕໍ່ກັບ TensorBoard ພາຍນອກຫຼືນໍາໃຊ້ຫນຶ່ງໃນຈໍານວນ Python ທີ່ມີຢູ່ແລ້ວ. ເຄື່ອງມືການເບິ່ງເຫັນຂໍ້ມູນ.
- PyTorch ບໍ່ແມ່ນການສິ້ນສຸດເຖິງຈຸດຈົບ ການຮຽນຮູ້ເຄື່ອງຈັກ ເວທີການພັດທະນາ; ມັນນຳໃຊ້ແອັບພລິເຄຊັນໄປຍັງເຊີບເວີ, ສະຖານີບ່ອນເຮັດວຽກ ແລະອຸປະກອນມືຖື.
ສໍາລັບເຫດຜົນທັງຫມົດເຫຼົ່ານີ້, ການສະແຫວງຫາທາງເລືອກທີ່ດີທີ່ສຸດຂອງ Pytorg ຈະເປັນການຕັດສິນໃຈທີ່ສະຫລາດ.
ທາງເລືອກ Pytarch ທີ່ນິຍົມຫຼາຍທີ່ສຸດ
ນີ້ແມ່ນບັນຊີລາຍຊື່ຂອງທາງເລືອກທີ່ດີທີ່ສຸດກັບ Pytorg.
1. Tensorflow
TensorFlow ແມ່ນໂຄງຮ່າງການເປີດແຫຼ່ງທີ່ເນັ້ນການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ, ສ້າງໂດຍ Google. ມັນຍັງສະຫນັບສະຫນູນມາດຕະຖານ ການຮຽນຮູ້ເຄື່ອງຈັກ. TensorFlow ໄດ້ຖືກອອກແບບດ້ວຍການຄິດໄລ່ຕົວເລກຂະຫນາດໃຫຍ່ຢູ່ໃນໃຈ, ແທນທີ່ຈະເປັນການຮຽນຮູ້ເລິກ.
ນອກຈາກນັ້ນ, ມັນໄດ້ພິສູດວ່າມີຄຸນຄ່າຫຼາຍສໍາລັບການພັດທະນາການຮຽນຮູ້ເລິກເຊັ່ນດຽວກັນ, ດັ່ງນັ້ນ Google ເຮັດໃຫ້ມັນສາມາດໃຊ້ໄດ້ໂດຍບໍ່ເສຍຄ່າ. TensorFlow ເອົາຂໍ້ມູນໃນຮູບແບບຂອງອະເຣຫຼາຍມິຕິທີ່ມີຂະຫນາດຫຼາຍ, ເອີ້ນວ່າ tensor. ເມື່ອຈັດການກັບຂໍ້ມູນປະລິມານອັນມະຫາສານ, ອະເຣຫຼາຍມິຕິແມ່ນມີປະໂຫຍດ.
TensorFlow ແມ່ນອີງໃສ່ກາຟການໄຫຼຂອງຂໍ້ມູນ node-edge. ເນື່ອງຈາກວ່າວິທີການປະຕິບັດໃຊ້ຮູບແບບຂອງກາຟ, ມັນງ່າຍກວ່າຫຼາຍທີ່ຈະປະຕິບັດລະຫັດ TensorFlow ຜ່ານກຸ່ມຄອມພິວເຕີໃນຂະນະທີ່ໃຊ້ GPUs.
C#, Haskell, Julia, R, Ruby, Rust, ແລະ Scala ແມ່ນຫນຶ່ງໃນບັນດາພາສາທີ່ຊຸມຊົນຂອງ TensorFlow ໄດ້ສ້າງການສະຫນັບສະຫນູນ. TensorFlow ສະເຫນີຜົນປະໂຫຍດຂອງການມີຈໍານວນຂະຫນາດໃຫຍ່ຂອງຈຸດເຂົ້າເຖິງ.
ນອກເຫນືອຈາກພາສາ, TensorFlow ມີເຄື່ອງມືຈໍານວນຫລາຍທີ່ເຊື່ອມຕໍ່ກັບມັນຫຼືກໍ່ສ້າງຢູ່ເທິງສຸດຂອງມັນ.
ຂໍ້ດີ
- ມັນເປັນມິດກັບຜູ້ໃຊ້. ຖ້າທ່ານຄຸ້ນເຄີຍກັບ Python, ມັນຈະງ່າຍດາຍທີ່ຈະເລືອກເອົາ.
- ສະຫນັບສະຫນູນຈາກຊຸມຊົນ. TensorFlow ໄດ້ຖືກປັບປຸງໃຫ້ດີຂຶ້ນທຸກໆມື້ໂດຍ Google ແລະຜູ້ພັດທະນາຜູ້ຊ່ຽວຊານຂອງອົງການອື່ນໆ.
- TensorFlow Lite ສາມາດຖືກນໍາໃຊ້ເພື່ອປະຕິບັດຕົວແບບ TensorFlow ໃນອຸປະກອນມືຖື.
- Tensorboard ເປັນເຄື່ອງມືສໍາລັບການຕິດຕາມກວດກາແລະ ການສະແດງພາບຂໍ້ມູນ. ຖ້າທ່ານຕ້ອງການເບິ່ງຕົວແບບການຮຽນຮູ້ເລິກຂອງທ່ານໃນການປະຕິບັດ, ນີ້ແມ່ນເຄື່ອງມືທີ່ດີເລີດທີ່ຈະໃຊ້.
- Tensorflow.js ອະນຸຍາດໃຫ້ທ່ານໃຊ້ JavaScript ເພື່ອດໍາເນີນແບບຈໍາລອງການຮຽນຮູ້ເລິກໃນເວລາຈິງໃນຕົວທ່ອງເວັບ.
ຂໍ້ເສຍ
- TensorFlow ມີໂຄງສ້າງທີ່ເປັນເອກະລັກ, ເຮັດໃຫ້ມັນຍາກທີ່ຈະຄົ້ນພົບແລະແກ້ໄຂຂໍ້ຜິດພາດ.
- ບໍ່ມີການສະຫນັບສະຫນູນ OpenCL.
- TensorFlow ບໍ່ໄດ້ສະຫນອງຄວາມສາມາດຫຼາຍສໍາລັບຜູ້ໃຊ້ຂອງລະບົບປະຕິບັດການ Windows. ມັນປົດລັອກຄວາມສາມາດຫຼາຍຢ່າງສຳລັບຜູ້ໃຊ້ Linux. ຢ່າງໃດກໍຕາມ, ຜູ້ໃຊ້ Windows ຍັງສາມາດດາວໂຫລດ TensorFlow ໂດຍໃຊ້ anaconda prompt ຫຼືຊຸດ pip.
- TensorFlow ຕົກຢູ່ຫລັງໃນແງ່ຂອງການສະເຫນີ loops ສັນຍາລັກສໍາລັບລໍາດັບທີ່ບໍ່ມີກໍານົດ. ມັນມີການນໍາໃຊ້ສະເພາະສໍາລັບລໍາດັບໂດຍສະເພາະ, ເຮັດໃຫ້ມັນເປັນລະບົບທີ່ສາມາດໃຊ້ໄດ້. ດັ່ງນັ້ນ, ມັນຖືກເອີ້ນວ່າ API ລະດັບຕ່ໍາ.
2. ເຄຣາສ
Keras ແມ່ນຫ້ອງສະໝຸດການຮຽນຮູ້ເລິກທີ່ອີງໃສ່ Python, ເຊິ່ງແຕກຕ່າງຈາກກອບການຮຽນຮູ້ເລິກອື່ນໆ.
ມັນເປັນພາສາການຂຽນໂປຼແກຼມລະດັບສູງທີ່ກໍານົດ a ເຄືອຂ່າຍ neural ຄໍານິຍາມ API. ມັນສາມາດຖືກນໍາໃຊ້ທັງເປັນການໂຕ້ຕອບຜູ້ໃຊ້ແລະເພື່ອປັບປຸງຄວາມສາມາດຂອງກອບການຮຽນຮູ້ເລິກທີ່ມັນດໍາເນີນການ.
ມັນເປັນກອບທີ່ນ້ອຍທີ່ສຸດທີ່ມີນ້ໍາຫນັກເບົາແລະງ່າຍຕໍ່ການໃຊ້. ສໍາລັບເຫດຜົນເຫຼົ່ານີ້, Keras ແມ່ນສ່ວນຫນຶ່ງຂອງ API ຫຼັກຂອງ TensorFlow. A ດ້ານຫນ້າ Keras ອະນຸຍາດໃຫ້ສ້າງຕົວແບບຢ່າງໄວວາຂອງຮູບແບບເຄືອຂ່າຍ neural ໃນການຄົ້ນຄວ້າ.
API ແມ່ນກົງໄປກົງມາທີ່ຈະເຂົ້າໃຈແລະນໍາໃຊ້, ດ້ວຍການເພີ່ມໂບນັດທີ່ອະນຸຍາດໃຫ້ຕົວແບບຕ່າງໆສາມາດໂອນໄດ້ງ່າຍລະຫວ່າງກອບ.
ຂໍ້ດີ
- Keras API ແມ່ນງ່າຍດາຍທີ່ຈະນໍາໃຊ້. API ໄດ້ຖືກອອກແບບຢ່າງດີ, ຮັດກຸມວັດຖຸ, ແລະສາມາດປັບຕົວໄດ້, ເຮັດໃຫ້ປະສົບການຂອງຜູ້ໃຊ້ທີ່ມີຄວາມສຸກຫຼາຍຂຶ້ນ.
- ສະຫນັບສະຫນູນການຝຶກອົບຮົມແບບແຈກຢາຍແລະການຂະຫນານຫຼາຍ GPU ກໍ່ສ້າງໃນ.
- Keras ເປັນໂມດູນພື້ນເມືອງຂອງ Python ທີ່ສະຫນອງການເຂົ້າເຖິງງ່າຍໆກັບສະພາບແວດລ້ອມວິທະຍາສາດຂໍ້ມູນ Python. ຕົວຢ່າງ Keras ສາມາດຖືກນໍາໃຊ້ໂດຍໃຊ້ API Python scikit-learn.
- Keras ລວມມີນ້ຳໜັກທີ່ຜ່ານການຝຶກອົບຮົມມາກ່ອນສຳລັບຮູບແບບການຮຽນຮູ້ທີ່ເລິກເຊິ່ງຫຼາຍອັນ. ພວກເຮົາສາມາດນໍາໃຊ້ຕົວແບບເຫຼົ່ານີ້ໂດຍກົງເພື່ອເຮັດໃຫ້ການຄາດຄະເນຫຼືການສະກັດຄຸນນະສົມບັດ.
ຂໍ້ເສຍ
- ມັນສາມາດເປັນບັນຫາທີ່ຫນ້າລໍາຄານຢ່າງບໍ່ຫນ້າເຊື່ອທີ່ຈະມີບັນຫາ backend ລະດັບຕ່ໍາເປັນປະຈໍາ. ບັນຫາເຫຼົ່ານີ້ເກີດຂື້ນໃນເວລາທີ່ພວກເຮົາພະຍາຍາມເຮັດວຽກງານທີ່ Keras ບໍ່ໄດ້ຫມາຍຄວາມວ່າຈະເຮັດສໍາເລັດ.
- ເມື່ອປຽບທຽບກັບ backends ຂອງມັນ, ມັນອາດຈະຊ້າໃນ GPUs ແລະໃຊ້ເວລາດົນກວ່າທີ່ຈະຄິດໄລ່. ດັ່ງນັ້ນ, ພວກເຮົາອາດຈະຕ້ອງປະນີປະນອມຄວາມໄວເພື່ອຄວາມເປັນມິດກັບຜູ້ໃຊ້.
- ເມື່ອປຽບທຽບກັບຊຸດອື່ນໆເຊັ່ນ sci-kit-learn, Keras data-preprocessing ແມ່ນບໍ່ເປັນຕາໜ້າສົນໃຈ.
3. Apache MX Net
ພົ້ນເດັ່ນອີກ ກອບການຮຽນຮູ້ເລິກເຊິ່ງ ແມ່ນ MXNet. MXNet, ເຊິ່ງຖືກສ້າງຂຶ້ນໂດຍ Apache Software Foundation, ສະຫນັບສະຫນູນຫຼາຍພາສາ, ລວມທັງ JavaScript, Python, ແລະ C++.
Amazon Web Services ຍັງສະຫນັບສະຫນູນ MXNet ໃນການພັດທະນາແບບຈໍາລອງການຮຽນຮູ້ເລິກ. ມັນເປັນການຂະຫຍາຍຕົວທີ່ສຸດ, ເຮັດໃຫ້ສໍາລັບການຝຶກອົບຮົມຕົວແບບໄວ, ແລະມັນເປັນທີ່ເຫມາະສົມກັບຄວາມຫຼາກຫຼາຍຂອງພາສາຄອມພິວເຕີ.
ເພື່ອເພີ່ມປະສິດທິພາບຄວາມໄວແລະຜົນຜະລິດ, MXNet ຊ່ວຍໃຫ້ທ່ານສາມາດປະສົມປະສານພາສາການຂຽນໂປຼແກຼມທີ່ມີສັນຍາລັກແລະຈໍາເປັນ. ມັນອີງໃສ່ຕົວກຳນົດເວລາການເພິ່ງພາອາໄສແບບເຄື່ອນໄຫວທີ່ຂະໜານກັບກິດຈະກຳທີ່ເປັນສັນຍາລັກ ແລະ ຈຳເປັນໃນເວລາຈິງ.
ນອກຈາກນັ້ນ, ຊັ້ນການເພີ່ມປະສິດທິພາບຂອງກາຟເຮັດໃຫ້ການປະຕິບັດສັນຍາລັກໄວແລະປະຫຍັດຫນ່ວຍຄວາມຈໍາ. MXNet ເປັນຫ້ອງສະໝຸດແບບເຄື່ອນທີ່ ແລະນ້ຳໜັກເບົາ.
ມັນຂັບເຄື່ອນໂດຍ NVIDIA PascalTM GPUs ແລະສາມາດຂະຫຍາຍໄດ້ຫຼາຍກວ່າ GPUs ແລະ nodes ຫຼາຍ, ຊ່ວຍໃຫ້ທ່ານສາມາດຝຶກອົບຮົມແບບຈໍາລອງໄດ້ໄວຂຶ້ນ.
ຂໍ້ດີ
- ຮອງຮັບ GPUs ແລະມີໂຫມດ multi-GPU.
- ມີປະສິດທິພາບ, ສາມາດປັບຂະ ໜາດ ໄດ້, ແລະຟ້າຜ່າໄວ.
- ເວທີໃຫຍ່ທັງຫມົດແມ່ນຢູ່ໃນເຮືອ.
- ການສະແດງແບບຈໍາລອງແມ່ນງ່າຍດາຍ, ແລະ API ແມ່ນໄວ.
- Scala, R, Python, C++, ແລະ JavaScript ແມ່ນໃນບັນດາພາສາການຂຽນໂປຼແກຼມທີ່ສະຫນັບສະຫນູນ.
ຂໍ້ເສຍ
- MXNet ມີຂະຫນາດນ້ອຍກວ່າ Open source ຊຸມຊົນກ່ວາ TensorFlow.
- ການປັບປຸງ, ແກ້ໄຂຂໍ້ບົກຜ່ອງ, ແລະການປັບປຸງອື່ນໆໃຊ້ເວລາດົນກວ່າທີ່ຈະປະຕິບັດເນື່ອງຈາກການຂາດການສະຫນັບສະຫນູນຊຸມຊົນທີ່ສໍາຄັນ.
- MxNet, ເຖິງແມ່ນວ່າການຈ້າງງານຢ່າງກວ້າງຂວາງໂດຍບໍລິສັດຈໍານວນຫລາຍໃນອຸດສາຫະກໍາ IT, ແມ່ນບໍ່ຮູ້ຈັກຫຼາຍເທົ່າ Tensorflow.
4. Microsoft CNTK
Microsoft Cognitive Toolkit (CNTK) ແມ່ນໂຄງຮ່າງການແຫຼ່ງເປີດທີ່ເໝາະສົມທາງດ້ານການຄ້າສຳລັບການຮຽນຮູ້ແບບເລິກເຊິ່ງແຈກຢາຍ. ມັນຖືກນໍາໃຊ້ໂດຍທົ່ວໄປເພື່ອສ້າງ ເຄືອຂ່າຍ neural, ແຕ່ຍັງສາມາດຖືກນໍາໃຊ້ສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກແລະຄອມພິວເຕີມັນສະຫມອງ.
ມັນສະຫນັບສະຫນູນຫຼາຍພາສາແລະງ່າຍດາຍທີ່ຈະນໍາໃຊ້ໃນການຟັງໄດ້. ເນື່ອງຈາກຄຸນນະພາບເຫຼົ່ານີ້, CNTK ແມ່ນເຫມາະສົມກັບຄໍາຮ້ອງສະຫມັກ AI ຕ່າງໆ. ເຖິງແມ່ນວ່າພວກເຮົາສາມາດໃຊ້ C ++ ເພື່ອເອີ້ນໃຊ້ຫນ້າທີ່ຂອງມັນ, ທາງເລືອກທີ່ພົບເລື້ອຍທີ່ສຸດແມ່ນການນໍາໃຊ້ໂປຼແກຼມ Python.
ເມື່ອແລ່ນຢູ່ໃນຄອມພິວເຕີຫຼາຍໆເຄື່ອງ, Microsoft Cognitive Toolkit ໄດ້ຮັບການຍອມຮັບວ່າໃຫ້ປະສິດທິພາບ ແລະຄວາມສາມາດໃນການຂະຫຍາຍໄດ້ດີກວ່າຊຸດເຄື່ອງມືເຊັ່ນ Theano ຫຼື TensorFlow.
Microsoft Cognitive Toolkit ຮອງຮັບທັງແບບຈໍາລອງທາງປະສາດຂອງ RNN ແລະ CNN, ເຮັດໃຫ້ມັນເຫມາະສົມສໍາລັບວຽກງານຮູບພາບ, ການຂຽນດ້ວຍມື, ແລະການຮັບຮູ້ສຽງເວົ້າ.
ຂໍ້ດີ
- ງ່າຍດາຍທີ່ຈະປະສົມປະສານກັບ Apache Spark, ເຄື່ອງຈັກການວິເຄາະຂໍ້ມູນ.
- ຄວາມສາມາດຂະຫຍາຍຂອງ CNTK ໄດ້ເຮັດໃຫ້ມັນເປັນທາງເລືອກທີ່ນິຍົມໃນຫຼາຍໆທຸລະກິດ. ມີຫຼາຍອົງປະກອບທີ່ດີທີ່ສຸດ.
- ສະຫນອງຄວາມຫມັ້ນຄົງແລະການປະຕິບັດທີ່ດີ.
- ເຮັດວຽກໄດ້ດີກັບ Azure Cloud, ເຊິ່ງທັງສອງໄດ້ຮັບການສະຫນັບສະຫນູນໂດຍ Microsoft.
- ການນໍາໃຊ້ຊັບພະຍາກອນແລະການຄຸ້ມຄອງແມ່ນປະສິດທິພາບ.
ຂໍ້ເສຍ
- ໃນການປຽບທຽບກັບ Tensorflow, ມີການສະຫນັບສະຫນູນຊຸມຊົນຫນ້ອຍ.
- ເສັ້ນໂຄ້ງການຮຽນຮູ້ທີ່ສູງຊັນ.
- ມັນຂາດກະດານສະແດງພາບເຊັ່ນດຽວກັນກັບການສະຫນັບສະຫນູນ ARM.
5. DeepLearning4j
ຖ້າ Java ເປັນພາສາການຂຽນໂປລແກລມຕົ້ນຕໍຂອງເຈົ້າ, DeepLearning4j ແມ່ນກອບທີ່ດີທີ່ຈະໃຊ້. ມັນເປັນຫ້ອງສະໝຸດການຮຽນຮູ້ແບບເລິກເຊິ່ງແຈກຢາຍທີ່ເປັນການຄ້າຊັ້ນຮຽນ ແລະແຫຼ່ງເປີດ.
ທຸກປະເພດຕົ້ນຕໍຂອງການອອກແບບເຄືອຂ່າຍ neural, ເຊັ່ນ RNNs ແລະ CNNs, ໄດ້ຮັບການສະຫນັບສະຫນູນ. Deeplearning4j ເປັນຫ້ອງສະຫມຸດ Java ແລະ Scala ສໍາລັບການຮຽນຮູ້ເລິກ.
ມັນເຮັດວຽກໄດ້ດີກັບ Hadoop ແລະ Apache Spark ເຊັ່ນກັນ. Deeplearning4j ເປັນທາງເລືອກທີ່ດີເລີດສໍາລັບການແກ້ໄຂການຮຽນຮູ້ເລິກທີ່ອີງໃສ່ Java ເນື່ອງຈາກວ່າມັນຍັງສະຫນັບສະຫນູນ GPUs.
ເມື່ອເວົ້າເຖິງກອບການຮຽນຮູ້ເລິກຂອງ Eclipse Deeplearning4j, ບາງລັກສະນະທີ່ໂດດເດັ່ນລວມມີການຝຶກອົບຮົມແບບຂະໜານຜ່ານການຫຼຸດລົງແບບຊ້ຳໆ, ການປັບຕົວສະຖາປັດຕະຍະກຳບໍລິການຈຸລະພາກ, ແລະ CPU ແລະ GPUs ທີ່ແຈກຢາຍ.
ຂໍ້ດີ
- ມັນມີເອກະສານທີ່ດີເລີດແລະການຊ່ວຍເຫຼືອຊຸມຊົນ.
- ການເຊື່ອມໂຍງ Apache Spark ແມ່ນງ່າຍດາຍ.
- ມັນສາມາດຂະຫຍາຍຕົວແລະສາມາດຈັດການປະລິມານຂະຫນາດໃຫຍ່ຂອງຂໍ້ມູນ.
ຂໍ້ເສຍ
- ໃນການປຽບທຽບກັບ Tensorflow ແລະ PyTorch, ມັນມີຄວາມນິຍົມຫນ້ອຍ.
- Java ແມ່ນພາສາການຂຽນໂປລແກລມດຽວທີ່ມີຢູ່.
ສະຫຼຸບ
ການເລືອກໂຄງຮ່າງການຮຽນຮູ້ເລິກທີ່ດີທີ່ສຸດແມ່ນເປັນການດໍາເນີນການຍາກ. ຫຼາຍກວ່ານັ້ນ, ເນື່ອງຈາກວ່າມີຈໍານວນຫຼາຍຂອງພວກເຂົາ, ບັນຊີລາຍຊື່ແມ່ນການຂະຫຍາຍຕົວຕາມຄວາມຕ້ອງການ ປັນຍາປະດິດ ການຄົ້ນຄວ້າແລະການຮຽນຮູ້ເຄື່ອງຈັກຂະຫຍາຍຕົວ. ແຕ່ລະກອບມີຊຸດຂອງ pros ແລະ downsides ຂອງຕົນເອງ.
ຕ້ອງໄດ້ພິຈາລະນາຫຼາຍໆຢ່າງ, ລວມທັງຄວາມປອດໄພ, ຄວາມສາມາດໃນການຂະຫຍາຍ ແລະການປະຕິບັດ. ໃນລະບົບລະດັບວິສາຫະກິດ, ຄວາມເຊື່ອຖືໄດ້ກາຍເປັນສິ່ງສຳຄັນກວ່າ.
ຖ້າທ່ານພຽງແຕ່ເລີ່ມຕົ້ນ, Tensorflow ແມ່ນບ່ອນທີ່ດີທີ່ຈະເລີ່ມຕົ້ນ. ເລືອກ CNTK ຖ້າທ່ານກໍາລັງພັດທະນາຜະລິດຕະພັນການຄ້າທີ່ໃຊ້ Windows. ຖ້າທ່ານຕ້ອງການ Java, ໃຊ້ DL4J.
ອອກຈາກ Reply ເປັນ