മെഷീൻ ലേണിംഗ് മോഡലുകൾ വേഗത്തിലും കൃത്യമായും നിർവചിക്കുന്നതിനും പരിശീലിപ്പിക്കുന്നതിനുമുള്ള ഇന്റർഫേസുകൾ, ലൈബ്രറികൾ, ടൂളുകൾ എന്നിവയുടെ സംയോജനമാണ് ആഴത്തിലുള്ള പഠനത്തിനുള്ള ഒരു ചട്ടക്കൂട്.
ആഴത്തിലുള്ള പഠനം ഘടനാരഹിതവും ടെക്സ്ചൽ അല്ലാത്തതുമായ ഡാറ്റ വലിയ അളവിൽ ഉപയോഗിക്കുന്നതിനാൽ, "ലെയറുകൾ" തമ്മിലുള്ള ഇടപെടൽ നിയന്ത്രിക്കുകയും ഇൻപുട്ട് ഡാറ്റയിൽ നിന്ന് പഠിക്കുകയും സ്വയംഭരണ തീരുമാനങ്ങൾ എടുക്കുകയും ചെയ്യുന്നതിലൂടെ മോഡൽ വികസനം വേഗത്തിലാക്കുന്ന ഒരു ചട്ടക്കൂട് നിങ്ങൾക്ക് ആവശ്യമാണ്.
2021-ൽ ആഴത്തിലുള്ള പഠനത്തെക്കുറിച്ച് പഠിക്കാൻ നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെങ്കിൽ, ചുവടെ സൂചിപ്പിച്ചിരിക്കുന്ന ചട്ടക്കൂടുകളിലൊന്ന് ഉപയോഗിക്കുന്നത് പരിഗണിക്കുക. നിങ്ങളുടെ ലക്ഷ്യങ്ങളും കാഴ്ചപ്പാടുകളും നേടാൻ സഹായിക്കുന്ന ഒന്ന് തിരഞ്ഞെടുക്കാൻ ഓർക്കുക.
1. ടെൻസോർഫ്ലോ
ആഴത്തിലുള്ള പഠനത്തെക്കുറിച്ച് പറയുമ്പോൾ, ടെൻസോർഫ്ലോ പലപ്പോഴും സൂചിപ്പിച്ച ആദ്യത്തെ ചട്ടക്കൂടാണ്. വളരെ ജനപ്രീതിയാർജ്ജിച്ച, ഈ ചട്ടക്കൂട് Google-ൽ മാത്രമല്ല - അതിന്റെ സൃഷ്ടിക്ക് ഉത്തരവാദിയായ കമ്പനി- മാത്രമല്ല Dropbox, eBay, Airbnb, Nvidia എന്നിവയും മറ്റ് നിരവധി കമ്പനികളും ഉപയോഗിക്കുന്നു.
ഉയർന്നതും താഴ്ന്നതുമായ API-കൾ വികസിപ്പിക്കുന്നതിന് TensorFlow ഉപയോഗിക്കാനാകും, ഇത് ഏത് തരത്തിലുള്ള ഉപകരണത്തിലും ആപ്ലിക്കേഷനുകൾ പ്രവർത്തിപ്പിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. പൈത്തൺ അതിന്റെ പ്രാഥമിക ഭാഷയാണെങ്കിലും, സി++, ജാവ, ജൂലിയ, ജാവാസ്ക്രിപ്റ്റ് തുടങ്ങിയ മറ്റ് പ്രോഗ്രാമിംഗ് ഭാഷകൾ ഉപയോഗിച്ച് ടെൻസോഫ്ലോയുടെ ഇന്റർഫേസ് ആക്സസ് ചെയ്യാനും നിയന്ത്രിക്കാനും കഴിയും.
ഓപ്പൺ സോഴ്സ് ആയതിനാൽ, മറ്റ് API-കളുമായി നിരവധി സംയോജനങ്ങൾ നടത്താനും കമ്മ്യൂണിറ്റിയിൽ നിന്ന് വേഗത്തിലുള്ള പിന്തുണയും അപ്ഡേറ്റുകളും നേടാനും TensorFlow നിങ്ങളെ അനുവദിക്കുന്നു. കണക്കുകൂട്ടലിനായി "സ്റ്റാറ്റിക് ഗ്രാഫുകൾ" അതിന്റെ ആശ്രയത്വം, മറ്റൊരു സമയത്ത് ആക്സസ് ചെയ്യുന്നതിനായി ഉടനടി കണക്കുകൂട്ടലുകൾ നടത്താനോ പ്രവർത്തനങ്ങൾ സംരക്ഷിക്കാനോ നിങ്ങളെ അനുവദിക്കുന്നു. ഈ കാരണങ്ങൾ, TensorBoard മുഖേന നിങ്ങളുടെ ന്യൂറൽ നെറ്റ്വർക്കിന്റെ വികസനം "കാണാൻ" സാധിക്കുന്നതിനുള്ള സാധ്യതയിലേക്ക് ചേർത്തു, ആഴത്തിലുള്ള പഠനത്തിനുള്ള ഏറ്റവും ജനപ്രിയമായ ചട്ടക്കൂടായി TensorFlow മാറ്റുന്നു.
പ്രധാന സവിശേഷതകൾ
- ഓപ്പൺ സോഴ്സ്
- സൌകര്യം
- വേഗത്തിലുള്ള ഡീബഗ്ഗിംഗ്
2. പൈടോർച്ച്
PyTorch അതിന്റെ സേവനങ്ങളുടെ പ്രവർത്തനത്തെ പിന്തുണയ്ക്കുന്നതിനായി Facebook വികസിപ്പിച്ച ഒരു ചട്ടക്കൂടാണ്. ഓപ്പൺ സോഴ്സ് ആയതിനുശേഷം, ഈ ചട്ടക്കൂട് Facebook ഒഴികെയുള്ള സെയിൽസ്ഫോഴ്സ്, ഉഡാസിറ്റി പോലുള്ള കമ്പനികൾ ഉപയോഗിക്കുന്നു.
ഈ ചട്ടക്കൂട് ചലനാത്മകമായി അപ്ഡേറ്റ് ചെയ്ത ഗ്രാഫുകൾ പ്രവർത്തിപ്പിക്കുന്നു, ഇത് നിങ്ങൾ പ്രോസസ്സ് ചെയ്യുമ്പോൾ നിങ്ങളുടെ ഡാറ്റാസെറ്റിന്റെ ആർക്കിടെക്ചറിൽ മാറ്റങ്ങൾ വരുത്താൻ നിങ്ങളെ അനുവദിക്കുന്നു. ആഴത്തിലുള്ള പഠനത്തിൽ യാതൊരു പരിചയവുമില്ലാതെ പോലും PyTorch ഉപയോഗിച്ച് ഒരു ന്യൂറൽ നെറ്റ്വർക്ക് വികസിപ്പിക്കാനും പരിശീലിപ്പിക്കാനും എളുപ്പമാണ്.
ഓപ്പൺ സോഴ്സ് ആയതിനാൽ പൈത്തണിനെ അടിസ്ഥാനമാക്കിയുള്ളതിനാൽ, നിങ്ങൾക്ക് പൈടോർച്ചിലേക്ക് ലളിതവും വേഗത്തിലുള്ളതുമായ സംയോജനം നടത്താനാകും. പഠിക്കാനും ഉപയോഗിക്കാനും ഡീബഗ് ചെയ്യാനുമുള്ള ലളിതമായ ചട്ടക്കൂട് കൂടിയാണിത്. നിങ്ങൾക്ക് ചോദ്യങ്ങളുണ്ടെങ്കിൽ, പൈത്തൺ കമ്മ്യൂണിറ്റി, പൈടോർച്ച് കമ്മ്യൂണിറ്റി എന്നിവയിൽ നിന്നുള്ള മികച്ച പിന്തുണയും അപ്ഡേറ്റുകളും നിങ്ങൾക്ക് പ്രതീക്ഷിക്കാം.
പ്രധാന സവിശേഷതകൾ
- പഠിക്കാൻ ലളിതം
- GPU, CPU എന്നിവ പിന്തുണയ്ക്കുന്നു
- ലൈബ്രറികൾ വിപുലീകരിക്കാൻ API-കളുടെ സമ്പന്നമായ സെറ്റ്
3. അപ്പാച്ചെ MXNet
ഉയർന്ന സ്കേലബിളിറ്റി, ഉയർന്ന പ്രകടനം, ഫാസ്റ്റ് ട്രബിൾഷൂട്ടിംഗ്, നൂതന ജിപിയു പിന്തുണ എന്നിവ കാരണം, വലിയ വ്യാവസായിക പദ്ധതികളിൽ ഉപയോഗിക്കുന്നതിനായി അപ്പാച്ചെ ഈ ചട്ടക്കൂട് സൃഷ്ടിച്ചു.
എല്ലാ നൈപുണ്യ തലങ്ങളിലുമുള്ള ഡെവലപ്പർമാരെ അനുവദിക്കുന്ന ഗ്ലൂൺ ഇന്റർഫേസ് MXNet ഉൾക്കൊള്ളുന്നു ആഴത്തിലുള്ള പഠനത്തോടെ ആരംഭിക്കുക ക്ലൗഡിലും എഡ്ജ് ഉപകരണങ്ങളിലും മൊബൈൽ ആപ്പുകളിലും. ഗ്ലൂൺ കോഡിന്റെ ഏതാനും വരികളിൽ, നിങ്ങൾക്ക് ലീനിയർ റിഗ്രഷൻ, കൺവല്യൂഷണൽ നെറ്റ്വർക്കുകൾ, ആവർത്തിച്ചുള്ള എൽഎസ്ടിഎം എന്നിവ നിർമ്മിക്കാൻ കഴിയും. ഒബ്ജക്റ്റ് കണ്ടെത്തൽ, സംഭാഷണം തിരിച്ചറിയൽ, ശുപാർശ, വ്യക്തിഗതമാക്കൽ.
MXNet വിവിധ ഉപകരണങ്ങളിൽ ഉപയോഗിക്കാൻ കഴിയും കൂടാതെ നിരവധി പിന്തുണയ്ക്കുന്നു പ്രോഗ്രാമിങ് ഭാഷകൾ Java, R, JavaScript, Scala, Go തുടങ്ങിയവ. അതിന്റെ കമ്മ്യൂണിറ്റിയിലെ ഉപയോക്താക്കളുടെയും അംഗങ്ങളുടെയും എണ്ണം കുറവാണെങ്കിലും, MXNet-ന് നന്നായി എഴുതപ്പെട്ട ഡോക്യുമെന്റേഷനും വളർച്ചയ്ക്ക് വലിയ സാധ്യതയുമുണ്ട്, പ്രത്യേകിച്ചും ഇപ്പോൾ AWS-ലെ മെഷീൻ ലേണിംഗിനായുള്ള പ്രാഥമിക ഉപകരണമായി Amazon ഈ ചട്ടക്കൂട് തിരഞ്ഞെടുത്തിരിക്കുന്നു.
പ്രധാന സവിശേഷതകൾ
- 8 ഭാഷാ ബന്ധങ്ങൾ
- വിതരണം ചെയ്ത പരിശീലനം, മൾട്ടി-സിപിയു, മൾട്ടി-ജിപിയു സിസ്റ്റങ്ങളെ പിന്തുണയ്ക്കുന്നു
- ഹൈബ്രിഡ് ഫ്രണ്ട്-എൻഡ്, നിർബന്ധിതവും പ്രതീകാത്മകവുമായ മോഡുകൾക്കിടയിൽ മാറാൻ അനുവദിക്കുന്നു
4. Microsoft കോഗ്നിറ്റീവ് ടൂൾകിറ്റ്
Azure-ൽ (മൈക്രോസോഫ്റ്റ് ക്ലൗഡ് സേവനങ്ങൾ) പ്രവർത്തിക്കുന്ന ആപ്ലിക്കേഷനുകളോ സേവനങ്ങളോ വികസിപ്പിക്കുന്നതിനെക്കുറിച്ച് നിങ്ങൾ ചിന്തിക്കുകയാണെങ്കിൽ, നിങ്ങളുടെ ആഴത്തിലുള്ള പഠന പദ്ധതികൾക്കായി തിരഞ്ഞെടുക്കുന്നതിനുള്ള ചട്ടക്കൂടാണ് Microsoft Cognitive Toolkit. ഇത് ഓപ്പൺ സോഴ്സാണ്, കൂടാതെ പൈത്തൺ, സി++, സി#, ജാവ തുടങ്ങിയ പ്രോഗ്രാമിംഗ് ഭാഷകൾ പിന്തുണയ്ക്കുന്നു. ഈ ചട്ടക്കൂട് "മനുഷ്യ മസ്തിഷ്കം പോലെ ചിന്തിക്കാൻ" രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു, അതിനാൽ ഇതിന് വേഗത്തിലുള്ള പരിശീലനവും അവബോധജന്യമായ വാസ്തുവിദ്യയും വാഗ്ദാനം ചെയ്യുന്നതിനിടയിൽ വലിയ അളവിലുള്ള ഘടനയില്ലാത്ത ഡാറ്റ പ്രോസസ്സ് ചെയ്യാൻ കഴിയും.
ഈ ചട്ടക്കൂട് തിരഞ്ഞെടുക്കുന്നതിലൂടെ - Skype, Xbox, Cortana എന്നിവയ്ക്ക് പിന്നിലുള്ള അതേ ഒന്ന് - നിങ്ങളുടെ ആപ്ലിക്കേഷനുകളിൽ നിന്ന് മികച്ച പ്രകടനം, സ്കേലബിളിറ്റി, അസ്യൂറുമായുള്ള ലളിതമായ സംയോജനം എന്നിവ നിങ്ങൾക്ക് ലഭിക്കും. എന്നിരുന്നാലും, TensorFlow അല്ലെങ്കിൽ PyTorch എന്നിവയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, അതിന്റെ കമ്മ്യൂണിറ്റിയിലെ അംഗങ്ങളുടെയും പിന്തുണയുടെയും എണ്ണം കുറയുന്നു.
ഇനിപ്പറയുന്ന വീഡിയോ ഒരു സമ്പൂർണ്ണ ആമുഖവും ആപ്ലിക്കേഷൻ ഉദാഹരണങ്ങളും വാഗ്ദാനം ചെയ്യുന്നു:
പ്രധാന സവിശേഷതകൾ
- ഡോക്യുമെന്റേഷൻ മായ്ക്കുക
- മൈക്രോസോഫ്റ്റ് ടീമിൽ നിന്നുള്ള പിന്തുണ
- നേരിട്ടുള്ള ഗ്രാഫ് ദൃശ്യവൽക്കരണം
5. കേരസ്
PyTorch പോലെ, ഡാറ്റാ-ഇന്റൻസീവ് പ്രോജക്റ്റുകൾക്കായുള്ള പൈത്തൺ അധിഷ്ഠിത ലൈബ്രറിയാണ് കേരാസ്. കെരാസ് API ഉയർന്ന തലത്തിൽ പ്രവർത്തിക്കുന്നു കൂടാതെ TensorFlow, Theano, Microsoft Cognitive Toolkit എന്നിവ പോലുള്ള താഴ്ന്ന നിലയിലുള്ള API-കളുമായി സംയോജനം അനുവദിക്കുന്നു.
കേരകൾ ഉപയോഗിക്കുന്നതിന്റെ ചില ഗുണങ്ങൾ പഠിക്കാനുള്ള അതിന്റെ ലാളിത്യമാണ് - ആഴത്തിലുള്ള പഠനത്തിൽ തുടക്കക്കാർക്ക് ശുപാർശ ചെയ്യുന്ന ചട്ടക്കൂട്; അതിന്റെ വിന്യാസത്തിന്റെ വേഗത; പൈത്തൺ കമ്മ്യൂണിറ്റിയിൽ നിന്നും അത് സംയോജിപ്പിച്ചിരിക്കുന്ന മറ്റ് ചട്ടക്കൂടുകളുടെ കമ്മ്യൂണിറ്റികളിൽ നിന്നും മികച്ച പിന്തുണ ലഭിക്കുന്നു.
ഇതിന്റെ വിവിധ നിർവ്വഹണങ്ങൾ കേരസിൽ അടങ്ങിയിരിക്കുന്നു ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ നിർമ്മാണ ബ്ലോക്കുകൾ ലെയറുകൾ, ഒബ്ജക്റ്റീവ് ഫംഗ്ഷനുകൾ, ആക്ടിവേഷൻ ഫംഗ്ഷനുകൾ, മാത്തമാറ്റിക്കൽ ഒപ്റ്റിമൈസറുകൾ എന്നിവ പോലെ. ഇതിന്റെ കോഡ് GitHub-ൽ ഹോസ്റ്റ് ചെയ്തിരിക്കുന്നു, ഫോറങ്ങളും ഒരു സ്ലാക്ക് പിന്തുണാ ചാനലും ഉണ്ട്. സ്റ്റാൻഡേർഡിന് പിന്തുണ കൂടാതെ ന്യൂറൽ നെറ്റ്വർക്കുകൾ, കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾക്കും ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകൾക്കും കേരസ് പിന്തുണ വാഗ്ദാനം ചെയ്യുന്നു.
കേരസ് അനുവദിക്കുന്നു ആഴത്തിലുള്ള പഠന മാതൃകകൾ iOS, Android എന്നിവയിലോ ജാവ വെർച്വൽ മെഷീനിലോ വെബിലോ സ്മാർട്ട്ഫോണുകളിൽ ജനറേറ്റുചെയ്യാൻ. ഗ്രാഫിക്സ് പ്രോസസ്സിംഗ് യൂണിറ്റുകളുടെയും (ജിപിയു) ടെൻസർ പ്രോസസ്സിംഗ് യൂണിറ്റുകളുടെയും (ടിപിയു) ക്ലസ്റ്ററുകളിൽ ഡീപ് ലേണിംഗ് മോഡലുകളുടെ വിതരണം ചെയ്ത പരിശീലനം ഉപയോഗിക്കാനും ഇത് അനുവദിക്കുന്നു.
പ്രധാന സവിശേഷതകൾ
- മുൻകൂട്ടി പരിശീലിപ്പിച്ച മോഡലുകൾ
- ഒന്നിലധികം ബാക്കെൻഡ് പിന്തുണ
- ഉപയോക്തൃ സൗഹൃദവും വലിയ കമ്മ്യൂണിറ്റി പിന്തുണയും
6. ആപ്പിൾ കോർ എം.എൽ
IOS, Mac OS, iPad OS എന്നിവയെ പിന്തുണയ്ക്കുന്നതിനായി ആപ്പിൾ വികസിപ്പിച്ചെടുത്തതാണ് Core ML. അതിന്റെ API കുറഞ്ഞ തലത്തിൽ പ്രവർത്തിക്കുന്നു, CPU-യുടെയും GPU-യുടെയും ഉറവിടങ്ങൾ നന്നായി ഉപയോഗപ്പെടുത്തുന്നു, ഇത് ഇന്റർനെറ്റ് കണക്ഷൻ ഇല്ലാതെ പോലും പ്രവർത്തിക്കാൻ സൃഷ്ടിച്ച മോഡലുകളെയും ആപ്ലിക്കേഷനുകളെയും അനുവദിക്കുന്നു, ഇത് ഉപകരണത്തിന്റെ “മെമ്മറി കാൽപ്പാടും” വൈദ്യുതി ഉപഭോഗവും കുറയ്ക്കുന്നു.
ഐഫോണുകൾ/ഐപാഡുകൾ എന്നിവയിൽ പ്രവർത്തിപ്പിക്കുന്നതിനായി ഒപ്റ്റിമൈസ് ചെയ്ത മറ്റൊരു മെഷീൻ ലേണിംഗ് ലൈബ്രറി നിർമ്മിക്കുന്നതിലൂടെയല്ല Core ML ഇത് നിറവേറ്റുന്നത്. പകരം, മറ്റ് മെഷീൻ ലേണിംഗ് സോഫ്റ്റ്വെയറുമായി പ്രകടിപ്പിക്കുന്ന മോഡൽ സ്പെസിഫിക്കേഷനുകളും പരിശീലനം ലഭിച്ച പാരാമീറ്ററുകളും എടുത്ത് ഒരു ഐഒഎസ് ആപ്പിന്റെ ഉറവിടമായി മാറുന്ന ഒരു ഫയലാക്കി മാറ്റുന്ന ഒരു കമ്പൈലർ പോലെയാണ് കോർ എംഎൽ. ഒരു Core ML മോഡലിലേക്കുള്ള ഈ പരിവർത്തനം ആപ്പ് വികസിപ്പിക്കുന്നതിനിടയിലാണ് സംഭവിക്കുന്നത്, ആപ്പ് ഉപയോഗിക്കുന്നതിനാൽ തത്സമയത്തിലല്ല, coremltools python ലൈബ്രറി ഇത് സുഗമമാക്കുന്നു.
കോർ ML എളുപ്പത്തിൽ സംയോജിപ്പിച്ച് വേഗത്തിലുള്ള പ്രകടനം നൽകുന്നു മെഷീൻ ലേണിംഗ് ആപ്ലിക്കേഷനുകളിലേക്ക് മോഡലുകൾ. ഇത് 30-ലധികം തരം ലെയറുകളുള്ള ആഴത്തിലുള്ള പഠനത്തെ പിന്തുണയ്ക്കുന്നു, കൂടാതെ ഡിസിഷൻ ട്രീകൾ, സപ്പോർട്ട് വെക്റ്റർ മെഷീനുകൾ, ലീനിയർ റിഗ്രഷൻ രീതികൾ എന്നിവയെല്ലാം മെറ്റൽ, ആക്സിലറേറ്റ് തുടങ്ങിയ താഴ്ന്ന നിലവാരത്തിലുള്ള സാങ്കേതികവിദ്യകൾക്ക് മുകളിൽ നിർമ്മിച്ചതാണ്.
പ്രധാന സവിശേഷതകൾ
- ആപ്പുകളിലേക്ക് സംയോജിപ്പിക്കാൻ എളുപ്പമാണ്
- ഇന്റർനെറ്റ് ആക്സസ് ആവശ്യമില്ലാത്ത പ്രാദേശിക വിഭവങ്ങളുടെ ഒപ്റ്റിമൽ ഉപയോഗം
- സ്വകാര്യത: ഡാറ്റ ഉപകരണത്തിൽ നിന്ന് പുറത്തുപോകേണ്ടതില്ല
7. ഒഎൻഎൻഎക്സ്
ഞങ്ങളുടെ ലിസ്റ്റിലെ അവസാന ചട്ടക്കൂട് ONNX ആണ്. വ്യത്യസ്ത ചട്ടക്കൂടുകൾ, ടൂളുകൾ, റൺടൈമുകൾ, കംപൈലറുകൾ എന്നിവയ്ക്കിടയിൽ മോഡലുകൾ കൈമാറുന്നതിനും നിർമ്മിക്കുന്നതിനുമുള്ള പ്രക്രിയ ലളിതമാക്കുക എന്ന ലക്ഷ്യത്തോടെ, മൈക്രോസോഫ്റ്റും ഫേസ്ബുക്കും തമ്മിലുള്ള സഹകരണത്തിൽ നിന്നാണ് ഈ ചട്ടക്കൂട് ഉടലെടുത്തത്.
Microsoft Cognitive Toolkit, MXNet, Caffe, (കൺവെർട്ടറുകൾ ഉപയോഗിച്ച്) Tensorflow, Core ML എന്നിവയിൽ നിന്നുള്ള ലോ-ലെവൽ API-കളുടെ പ്രയോജനങ്ങൾ ഉപയോഗിക്കുമ്പോൾ, ഒന്നിലധികം പ്ലാറ്റ്ഫോമുകളിൽ പ്രവർത്തിക്കാൻ കഴിയുന്ന ഒരു സാധാരണ ഫയൽ തരം ONNX നിർവചിക്കുന്നു. ഒഎൻഎൻഎക്സിന്റെ പിന്നിലെ തത്വം ഒരു സ്റ്റാക്കിൽ ഒരു മോഡലിനെ പരിശീലിപ്പിക്കുകയും മറ്റ് അനുമാനങ്ങളും പ്രവചനങ്ങളും ഉപയോഗിച്ച് അത് നടപ്പിലാക്കുകയും ചെയ്യുക എന്നതാണ്.
ലിനക്സ് ഫൗണ്ടേഷന്റെ ഉപ-സംഘടനയായ എൽഎഫ് എഐ ഫൗണ്ടേഷൻ, പിന്തുണയ്ക്കുന്നതിനായി ഒരു ആവാസവ്യവസ്ഥ കെട്ടിപ്പടുക്കാൻ സമർപ്പിച്ചിരിക്കുന്ന ഒരു സ്ഥാപനമാണ്. ഓപ്പൺ സോഴ്സ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ), മെഷീൻ ലേണിംഗ് (എംഎൽ), ഡീപ് ലേണിംഗ് (ഡിഎൽ) എന്നിവയിലെ നവീകരണം. 14 നവംബർ 2019-ന് ഇത് ONNX-നെ ഒരു ഗ്രാജ്വേറ്റ്-ലെവൽ പ്രോജക്റ്റായി ചേർത്തു. LF AI ഫൗണ്ടേഷന്റെ കുടക്കീഴിലുള്ള ONNX-ന്റെ ഈ നീക്കം, ONNX-നെ വെണ്ടർ-ന്യൂട്രൽ ഓപ്പൺ-ഫോർമാറ്റ് സ്റ്റാൻഡേർഡായി സ്ഥാപിക്കുന്നതിലെ ഒരു പ്രധാന നാഴികക്കല്ലായി കണ്ടു.
ONNX മോഡൽ മൃഗശാല ONNX ഫോർമാറ്റിൽ ലഭ്യമായ ഡീപ് ലേണിംഗിൽ മുൻകൂട്ടി പരിശീലിപ്പിച്ച മോഡലുകളുടെ ഒരു ശേഖരമാണ്. ഓരോ മോഡലിനും ഉണ്ട് ജൂപ്പിറ്റർ നോട്ട്ബുക്കുകൾ മാതൃകാ പരിശീലനത്തിനും പരിശീലനം ലഭിച്ച മോഡലുമായി അനുമാനം നടത്തുന്നതിനും. നോട്ട്ബുക്കുകൾ പൈത്തണിൽ എഴുതിയിരിക്കുന്നു കൂടാതെ ഇതിലേക്കുള്ള ലിങ്കുകളും അടങ്ങിയിരിക്കുന്നു പരിശീലന ഡാറ്റാസെറ്റ് മാതൃകാ വാസ്തുവിദ്യയെ വിവരിക്കുന്ന യഥാർത്ഥ ശാസ്ത്രീയ രേഖയെക്കുറിച്ചുള്ള പരാമർശങ്ങളും.
പ്രധാന സവിശേഷതകൾ
- ചട്ടക്കൂട് പരസ്പര പ്രവർത്തനക്ഷമത
- ഹാർഡ്വെയർ ഒപ്റ്റിമൈസേഷൻ
തീരുമാനം
മികച്ച ചട്ടക്കൂടുകളുടെ സംഗ്രഹമാണിത് ആഴത്തിലുള്ള പഠനം. ഈ ആവശ്യത്തിനായി സൗജന്യമോ പണമടച്ചതോ ആയ നിരവധി ചട്ടക്കൂടുകൾ ഉണ്ട്. നിങ്ങളുടെ പ്രോജക്റ്റിന് ഏറ്റവും മികച്ചത് തിരഞ്ഞെടുക്കുന്നതിന്, ഏത് പ്ലാറ്റ്ഫോമിലാണ് നിങ്ങൾ ആപ്ലിക്കേഷൻ വികസിപ്പിക്കുന്നതെന്ന് ആദ്യം അറിയുക.
TensorFlow, Keras തുടങ്ങിയ പൊതുവായ ചട്ടക്കൂടുകൾ ആരംഭിക്കുന്നതിനുള്ള മികച്ച ഓപ്ഷനുകളാണ്. എന്നാൽ നിങ്ങൾക്ക് OS അല്ലെങ്കിൽ ഉപകരണ-നിർദ്ദിഷ്ട നേട്ടങ്ങൾ ഉപയോഗിക്കണമെങ്കിൽ, Core ML ഉം Microsoft Cognitive Toolkit ഉം മികച്ച ഓപ്ഷനുകളായിരിക്കാം.
ഈ ലിസ്റ്റിൽ പരാമർശിച്ചിട്ടില്ലാത്ത Android ഉപകരണങ്ങൾ, മറ്റ് മെഷീനുകൾ, നിർദ്ദിഷ്ട ഉദ്ദേശ്യങ്ങൾ എന്നിവ ലക്ഷ്യമിട്ടുള്ള മറ്റ് ചട്ടക്കൂടുകൾ ഉണ്ട്. രണ്ടാമത്തെ ഗ്രൂപ്പിന് നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെങ്കിൽ, അവരുടെ വിവരങ്ങൾ Google-ലോ മറ്റ് മെഷീൻ ലേണിംഗ് സൈറ്റുകളിലോ തിരയാൻ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു.
നിങ്ങളുടെ അഭിപ്രായങ്ങൾ രേഖപ്പെടുത്തുക