Vienas iš labiausiai žinomų mašininio mokymosi modelių kūrimo įrankių yra TensorFlow. Mes naudojame TensorFlow daugelyje programų įvairiose pramonės šakose.
Šiame įraše išnagrinėsime kai kuriuos TensorFlow AI modelius. Taigi galime sukurti intelektualias sistemas.
Taip pat apžvelgsime sistemas, kurias „TensorFlow“ siūlo kurdami dirbtinio intelekto modelius. Taigi pradėkime!
Trumpas TensorFlow įvadas
„Google“ „TensorFlow“ yra atvirojo kodo mašininis mokymasis programinės įrangos paketą. Tai apima mokymo ir diegimo įrankius mašinų mokymosi modeliai daugelyje platformų. ir įrenginiai, taip pat gilaus mokymosi palaikymas ir neuroniniai tinklai.
„TensorFlow“ leidžia kūrėjams kurti modelius įvairioms programoms. Tai apima vaizdo ir garso atpažinimą, natūralios kalbos apdorojimą ir kompiuterio vizija. Tai stiprus ir pritaikomas įrankis, plačiai remiamas bendruomenės.
Norėdami įdiegti TensorFlow savo kompiuteryje, komandų lange galite įvesti tai:
pip install tensorflow
Kaip veikia AI modeliai?
AI modeliai yra kompiuterinės sistemos. Todėl jie skirti veiklai, kuriai paprastai reikia žmogaus intelekto. Vaizdo ir kalbos atpažinimas ir sprendimų priėmimas yra tokių užduočių pavyzdžiai. AI modeliai kuriami naudojant didžiulius duomenų rinkinius.
Jie naudoja mašininio mokymosi metodus prognozėms generuoti ir veiksmams atlikti. Jie naudojami įvairiais tikslais, įskaitant savarankiškai vairuojančius automobilius, asmeninius asistentus ir medicininę diagnostiką.
Taigi, kokie yra populiarūs TensorFlow AI modeliai?
ResNet
„ResNet“ arba liekamasis tinklas yra konvoliucijos forma neuroninis tinklas. Mes naudojame jį vaizdų kategorizavimui ir objekto aptikimas. Jį sukūrė „Microsoft“ mokslininkai 2015 m. Taip pat jis daugiausiai išsiskiria liekamųjų jungčių naudojimu.
Šios jungtys leidžia tinklui sėkmingai mokytis. Vadinasi, tai įmanoma, leidžiant informacijai laisviau tekėti tarp sluoksnių.
„ResNet“ gali būti įdiegtas „TensorFlow“ naudojant „Keras“ API. Tai suteikia aukšto lygio, patogią sąsają neuroniniams tinklams kurti ir mokyti.
„ResNet“ diegimas
Įdiegę TensorFlow, galite naudoti Keras API ResNet modeliui sukurti. TensorFlow apima Keras API, todėl nereikia jos diegti atskirai.
ResNet modelį galite importuoti iš tensorflow.keras.applications. Be to, galite pasirinkti „ResNet“ versiją, kurią norite naudoti, pavyzdžiui:
from tensorflow.keras.applications import ResNet50
Taip pat galite naudoti šį kodą norėdami įkelti iš anksto paruoštus „ResNet“ svorius:
model = ResNet50(weights='imagenet')
Pasirinkę ypatybę include_top=False, galite papildomai naudoti modelį papildomiems mokymams arba tinkintų duomenų rinkinio koregavimui.
model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
„ResNet“ naudojimo sritys
ResNet gali būti naudojamas vaizdų klasifikavimui. Taigi, nuotraukas galite suskirstyti į daugybę grupių. Pirmiausia turite išmokyti ResNet modelį naudoti didelį pažymėtų nuotraukų duomenų rinkinį. Tada „ResNet“ gali numatyti anksčiau nematytų vaizdų klasę.
„ResNet“ taip pat gali būti naudojamas objektų aptikimo užduotims, tokioms kaip daiktų aptikimas nuotraukose. Tai galime padaryti iš pradžių apmokydami ResNet modelį nuotraukų kolekcijoje, pažymėtoje objektus apribojančiais langeliais. Tada galime pritaikyti išmoktą modelį objektams atpažinti naujuose vaizduose.
ResNet taip pat galime naudoti semantinio segmentavimo užduotims atlikti. Taigi, kiekvienam vaizdo pikseliui galime priskirti semantinę etiketę.
Veiklos
Pradžia yra gilaus mokymosi modelis, galintis atpažinti dalykus vaizduose. „Google“ apie tai paskelbė 2014 m. ir analizuoja įvairaus dydžio vaizdus naudodama daugybę sluoksnių. Naudodami Inception, jūsų modelis gali tiksliai suprasti vaizdą.
„TensorFlow“ yra galingas įrankis „Inception“ modeliams kurti ir paleisti. Tai suteikia aukšto lygio ir patogią sąsają neuronų tinklų mokymui. Taigi „Inception“ yra gana paprastas modelis, tinkantis kūrėjams.
Inception diegimas
Galite įdiegti „Inception“ įvesdami šią kodo eilutę.
from tensorflow.keras.applications import InceptionV3
Pradžios naudojimo sritys
Pradinis modelis taip pat gali būti naudojamas funkcijoms išgauti gilus mokymasis modeliai, tokie kaip generatyvūs priešpriešiniai tinklai (GAN) ir automatiniai kodavimo įrenginiai.
Pradinis modelis gali būti tiksliai sureguliuotas, kad būtų galima nustatyti konkrečius bruožus. Be to, galime diagnozuoti tam tikrus medicininio vaizdo gavimo, pvz., rentgeno, KT ar MRT, sutrikimus.
Pradinis modelis gali būti tiksliai sureguliuotas, kad būtų galima patikrinti vaizdo kokybę. Galime įvertinti, ar vaizdas neryškus, ar aiškus.
Inception gali būti naudojama vaizdo analizės užduotims, tokioms kaip objektų sekimas ir veiksmų aptikimas.
ETRI
BERT (Bidirectional Encoder Representations from Transformers) yra Google sukurtas iš anksto parengtas neuroninio tinklo modelis. Galime jį naudoti įvairioms natūralios kalbos apdorojimo užduotims atlikti. Šios užduotys gali skirtis nuo teksto skirstymo į kategorijas iki atsakymo į klausimus.
BERT sukurta remiantis transformatorių architektūra. Taigi, suprasdami žodžių ryšius, galite tvarkyti daugybę teksto įvesties.
BERT yra iš anksto paruoštas modelis, kurį galite įtraukti į TensorFlow programas.
„TensorFlow“ apima iš anksto paruoštą BERT modelį ir paslaugų rinkinį, skirtą koreguoti ir pritaikyti BERT įvairioms užduotims. Taigi galite lengvai integruoti sudėtingas BERT natūralios kalbos apdorojimo galimybes.
BERT diegimas
Naudodami pip paketų tvarkyklę galite įdiegti BERT „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
TensorFlow CPU versiją galima lengvai įdiegti pakeičiant tensorflow-gpu į tensorflow.
Įdiegę biblioteką, galite importuoti BERT modelį ir naudoti jį įvairioms NLP užduotims atlikti. Štai keletas pavyzdinių kodų, skirtų tiksliai suderinti BERT modelį teksto klasifikavimo problemai, pavyzdžiui:
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)
BERT naudojimo sritys
Galite atlikti teksto klasifikavimo užduotis. Pavyzdžiui, galima pasiekti nuotaikos analizė, temų skirstymas į kategorijas ir šlamšto aptikimas.
BERT turi a Pavadinto subjekto atpažinimas (NER) funkcija. Taigi galite atpažinti ir pažymėti subjektus tekste, pvz., asmenis ir organizacijas.
Jis gali būti naudojamas atsakant į užklausas, atsižvelgiant į konkretų kontekstą, pvz., paieškos variklyje arba pokalbių roboto programoje.
BERT gali būti naudinga kalbų vertimui, siekiant padidinti mašininio vertimo tikslumą.
BERT gali būti naudojamas teksto apibendrinimui. Taigi jis gali pateikti trumpas, naudingas ilgų tekstinių dokumentų santraukas.
DeepVoice
„Baidu Research“ sukūrė „DeepVoice“, a iš rašto į kalbą sintezės modelis.
Jis buvo sukurtas naudojant „TensorFlow“ sistemą ir išmokytas naudoti didelę balso duomenų rinkinį.
„DeepVoice“ generuoja balsą iš teksto įvesties. „DeepVoice“ leidžia tai padaryti naudojant gilaus mokymosi metodus. Tai neuroniniu tinklu pagrįstas modelis.
Taigi jis analizuoja įvesties duomenis ir generuoja kalbą naudodamas daugybę sujungtų mazgų sluoksnių.
„DeepVoice“ diegimas
!pip install deepvoice
Arba;
# Clone the DeepVoice repository
!git clone https://github.com/r9y9/DeepVoice3_pytorch.git
%cd DeepVoice3_pytorch
!pip install -r requirements.txt
„DeepVoice“ naudojimo sritys
Galite naudoti „DeepVoice“, kad sukurtumėte kalbą asmeniniams asistentams, pvz., „Amazon Alexa“ ir „Google Assistant“.
Be to, „DeepVoice“ gali būti naudojama kalbai kurti įrenginiuose, kuriuose įgalintas balsas, pavyzdžiui, išmaniesiems garsiakalbiams ir namų automatizavimo sistemoms.
„DeepVoice“ gali sukurti balsą kalbos terapijos programoms. Jis gali padėti pacientams, turintiems kalbos problemų, pagerinti savo kalbą.
„DeepVoice“ gali būti naudojamas kuriant kalbą mokomajai medžiagai, pvz., garsinėms knygoms ir kalbų mokymosi programoms.
Palikti atsakymą