Padziļinātas mācīšanās sistēma sastāv no saskarņu, bibliotēku un rīku kombinācijas, lai ātri un precīzi definētu un apmācītu mašīnmācīšanās modeļus.
Tā kā dziļajā apmācībā tiek izmantots liels daudzums nestrukturētu, netekstuālu datu, jums ir nepieciešams ietvars, kas kontrolē mijiedarbību starp “slāņiem” un nodrošina ātru modeļa izstrādi, mācoties no ievades datiem un pieņemot autonomus lēmumus.
Ja vēlaties uzzināt par padziļinātu mācīšanos 2021. gadā, apsveriet iespēju izmantot kādu no tālāk norādītajām sistēmām. Atcerieties izvēlēties tādu, kas palīdzēs sasniegt jūsu mērķus un vīziju.
1. TensorFlow
Runājot par dziļu mācīšanos, TensorFlow bieži vien ir pirmais minētais ietvars. Šo ļoti populāro sistēmu izmanto ne tikai Google — uzņēmums, kas ir atbildīgs par tā izveidi, bet arī citi uzņēmumi, piemēram, Dropbox, eBay, Airbnb, Nvidia un daudzi citi.
TensorFlow var izmantot, lai izstrādātu augsta un zema līmeņa API, kas ļauj palaist lietojumprogrammas gandrīz jebkura veida ierīcē. Lai gan Python ir tā galvenā valoda, Tensoflow saskarnei var piekļūt un to var kontrolēt, izmantojot citas programmēšanas valodas, piemēram, C++, Java, Julia un JavaScript.
Tā kā TensorFlow ir atvērtā koda, tā ļauj veikt vairākas integrācijas ar citām API un saņemt ātru atbalstu un atjauninājumus no kopienas. Tā paļaušanās uz “statiskajiem grafikiem” aprēķiniem ļauj veikt tūlītējus aprēķinus vai saglabāt darbības, lai piekļūtu citā laikā. Šie iemesli, kas papildina iespēju, ka varat “skatīties” sava neironu tīkla attīstību, izmantojot TensorBoard, padara TensorFlow par vispopulārāko dziļās mācīšanās sistēmu.
Galvenās iezīmes
- Atvērtā koda
- Elastīgums
- Ātra atkļūdošana
2. PyTorch
PyTorch ir Facebook izstrādāta sistēma, lai atbalstītu savu pakalpojumu darbību. Kopš kļūšanas par atvērtā pirmkoda sistēmu šo sistēmu ir izmantojuši citi uzņēmumi, kas nav Facebook, piemēram, Salesforce un Udacity.
Šis ietvars izmanto dinamiski atjauninātus grafikus, kas ļauj veikt izmaiņas datu kopas arhitektūrā, to apstrādājot. Ar PyTorch ir vienkāršāk izstrādāt un apmācīt neironu tīklu, pat ja nav pieredzes dziļā mācībā.
Tā kā tas ir atvērtā koda un Python bāzes, varat veikt vienkāršu un ātru PyTorch integrāciju. Tas ir arī vienkāršs ietvars apgūšanai, lietošanai un atkļūdošanai. Ja jums ir jautājumi, varat paļauties uz lielisko atbalstu un atjauninājumiem no abām kopienām — Python kopienas un PyTorch kopienas.
Galvenās iezīmes
- Viegli iemācīties
- Atbalsta GPU un CPU
- Bagātīgs API komplekts, lai paplašinātu bibliotēkas
3. Apache MX Net
Pateicoties augstajai mērogojamībai, augstajai veiktspējai, ātrai problēmu novēršanai un uzlabotajam GPU atbalstam, Apache izveidoja šo ietvaru izmantošanai lielos rūpnieciskos projektos.
MXNet ietver Gluon saskarni, kas ļauj visu līmeņu izstrādātājiem to darīt sāciet ar dziļu mācīšanos mākonī, malas ierīcēs un mobilajās lietotnēs. Tikai dažās Gluona koda rindās varat izveidot lineāro regresiju, konvolūcijas tīklus un atkārtotus LSTM objektu noteikšana, runas atpazīšana, ieteikumi un personalizēšana.
MXNet var izmantot dažādās ierīcēs, un to atbalsta vairākas programmēšanas valodas piemēram, Java, R, JavaScript, Scala un Go. Lai gan lietotāju un dalībnieku skaits savā kopienā ir mazs, MXNet ir labi uzrakstīta dokumentācija un liels izaugsmes potenciāls, jo īpaši tagad, kad Amazon ir izvēlējies šo sistēmu kā galveno mašīnmācības rīku AWS.
Galvenās iezīmes
- 8 valodu iesējumi
- Izplatīta apmācība, kas atbalsta vairāku CPU un vairāku GPU sistēmas
- Hibrīda priekšgals, kas ļauj pārslēgties starp imperatīvo un simbolisko režīmu
4. Microsoft kognitīvo rīkkopa
Ja domājat par lietojumprogrammu vai pakalpojumu izstrādi, kas darbojas Azure (Microsoft mākoņpakalpojumos), Microsoft Cognitive Toolkit ir ietvars, ko izvēlēties dziļās mācīšanās projektiem. Tas ir atvērtā koda avots, un to cita starpā atbalsta tādas programmēšanas valodas kā Python, C++, C#, Java. Šī sistēma ir izstrādāta, lai "domātu kā cilvēka smadzenes", tāpēc tā var apstrādāt lielu daudzumu nestrukturētu datu, vienlaikus piedāvājot ātru apmācību un intuitīvu arhitektūru.
Izvēloties šo sistēmu — to pašu, kas ir aiz Skype, Xbox un Cortana, jūs iegūsit labu savu lietojumprogrammu veiktspēju, mērogojamību un vienkāršu integrāciju ar Azure. Tomēr, salīdzinot ar TensorFlow vai PyTorch, tās kopienas dalībnieku skaits un atbalsts ir samazināts.
Šis video piedāvā pilnu ievadu un lietojumu piemērus:
Galvenās iezīmes
- Skaidra dokumentācija
- Atbalsts no Microsoft komandas
- Tiešā grafika vizualizācija
5. Keras
Tāpat kā PyTorch, arī Keras ir uz Python balstīta bibliotēka datu ietilpīgiem projektiem. Keras API darbojas augstā līmenī un nodrošina integrāciju ar zema līmeņa API, piemēram, TensorFlow, Theano un Microsoft Cognitive Toolkit.
Dažas keras izmantošanas priekšrocības ir tās vienkāršība apgūstamībā — tā ir ieteicama pamatprogramma iesācējiem dziļās mācībās; tā izvietošanas ātrums; saņem lielu atbalstu no python kopienas un citu sistēmu kopienām, ar kurām tas ir integrēts.
Keras satur dažādas implementācijas neironu tīklu celtniecības bloki piemēram, slāņi, mērķa funkcijas, aktivizācijas funkcijas un matemātiskie optimizētāji. Tās kods tiek mitināts vietnē GitHub, un ir forumi un Slack atbalsta kanāls. Papildus atbalstam standartam neironu tīkli, Keras piedāvā atbalstu konvolucionālajiem neironu tīkliem un atkārtotiem neironu tīkliem.
Keras atļauj dziļās mācīšanās modeļi jāģenerē viedtālruņos gan iOS, gan Android ierīcēs, Java virtuālajā mašīnā vai tīmeklī. Tas arī ļauj izmantot izkliedētu dziļās mācīšanās modeļu apmācību grafikas apstrādes vienību (GPU) un tenzoru apstrādes vienību (TPU) kopās.
Galvenās iezīmes
- Iepriekš apmācīti modeļi
- Vairāku aizmugursistēmas atbalsts
- Lietotājam draudzīgs un lielas kopienas atbalsts
6. Apple Core ML
Core ML izstrādāja Apple, lai atbalstītu savu ekosistēmu — IOS, Mac OS un iPad OS. Tā API darbojas zemā līmenī, lietderīgi izmantojot CPU un GPU resursus, kas ļauj izveidotajiem modeļiem un lietojumprogrammām darboties pat bez interneta savienojuma, kas samazina ierīces “atmiņas nospiedumu” un enerģijas patēriņu.
Core ML to panāk, nevis izveidojot vēl vienu mašīnmācīšanās bibliotēku, kas ir optimizēta darbam ar iPhone/ipad. Tā vietā Core ML ir vairāk kā kompilators, kas ņem modeļa specifikācijas un apmācītus parametrus, kas izteikti ar citu mašīnmācīšanās programmatūru, un pārvērš to failā, kas kļūst par iOS lietotnes resursu. Šī pārveidošana par Core ML modeli notiek lietotnes izstrādes laikā, nevis reāllaikā, kad lietotne tiek izmantota, un to veicina coremltools python bibliotēka.
Core ML nodrošina ātru veiktspēju ar vienkāršu integrāciju mašīna mācīšanās modeļus lietojumprogrammās. Tā atbalsta padziļinātu mācīšanos ar vairāk nekā 30 slāņu veidiem, kā arī lēmumu kokiem, atbalsta vektoru mašīnām un lineārās regresijas metodēm, kas visas ir balstītas uz zema līmeņa tehnoloģijām, piemēram, Metal un Accelerate.
Galvenās iezīmes
- Viegli integrējams lietotnēs
- Optimāla vietējo resursu izmantošana, neprasot piekļuvi internetam
- Privātums: datiem nav jāatstāj ierīce
7. ONNX
Pēdējā sistēma mūsu sarakstā ir ONNX. Šī sistēma radās Microsoft un Facebook sadarbībā ar mērķi vienkāršot modeļu pārsūtīšanas un veidošanas procesu starp dažādiem ietvariem, rīkiem, izpildlaikiem un kompilatoriem.
ONNX definē kopīgu faila tipu, kas var darboties vairākās platformās, vienlaikus izmantojot zema līmeņa API priekšrocības, piemēram, Microsoft Cognitive Toolkit, MXNet, Caffe un (izmantojot pārveidotājus) Tensorflow un Core ML priekšrocības. ONNX princips ir apmācīt modeli stekā un ieviest to, izmantojot citus secinājumus un prognozes.
LF AI fonds, Linux fonda apakšorganizācija, ir organizācija, kuras mērķis ir veidot ekosistēmu, lai atbalstītu atvērtais avots inovācijas mākslīgajā intelektā (AI), mašīnmācībā (ML) un dziļajā mācībā (DL). Tas pievienoja ONNX kā absolventu līmeņa projektu 14. gada 2019. novembrī. Šī ONNX pāreja LF AI fonda paspārnē tika uzskatīta par svarīgu pavērsienu, izveidojot ONNX kā piegādātāju ziņā neitrālu atvērtā formāta standartu.
ONNX modeļu zooloģiskais dārzs ir iepriekš apmācītu modeļu kolekcija dziļās mācīšanās programmā, kas pieejama ONNX formātā. Katram modelim ir Jupyter piezīmju grāmatiņas modeļu apmācībai un secinājumu veikšanai ar apmācīto modeli. Piezīmju grāmatiņas ir rakstītas Python un satur saites uz apmācības datu kopa un atsauces uz oriģinālo zinātnisko dokumentu, kurā aprakstīta modeļa arhitektūra.
Galvenās iezīmes
- Ietvaru savietojamība
- Aparatūras optimizācija
Secinājumi
Šis ir labāko ietvaru kopsavilkums dziļa mācīšanās. Šim nolūkam ir vairāki ietvari — bezmaksas vai maksas. Lai izvēlētos labāko savam projektam, vispirms noskaidrojiet, kurai platformai izstrādāsit savu lietojumprogrammu.
Vispārīgi ietvari, piemēram, TensorFlow un Keras, ir labākās iespējas sākt. Bet, ja jums ir jāizmanto OS vai ierīcei raksturīgas priekšrocības, Core ML un Microsoft Cognitive Toolkit varētu būt labākās iespējas.
Ir arī citi ietvari, kas paredzēti Android ierīcēm, citām iekārtām un īpašiem mērķiem, kas šajā sarakstā nav minēti. Ja jūs interesē pēdējā grupa, iesakām meklēt informāciju par viņiem Google vai citās mašīnmācīšanās vietnēs.
Atstāj atbildi