Гүнзгий суралцах хүрээ нь Machine Learning загваруудыг хурдан бөгөөд үнэн зөв тодорхойлж, сургах интерфейс, номын сан, хэрэгслүүдийн хослолоос бүрддэг.
Гүнзгий суралцах нь их хэмжээний бүтэцгүй, текст бус өгөгдлийг ашигладаг тул "давхарга" хоорондын харилцан үйлчлэлийг хянаж, оролтын өгөгдлөөс суралцаж, бие даасан шийдвэр гаргах замаар загвар боловсруулалтыг хурдан болгодог тогтолцоо хэрэгтэй.
Хэрэв та 2021 онд гүнзгий суралцах талаар суралцах сонирхолтой байгаа бол доор дурдсан хүрээнүүдийн аль нэгийг ашиглана уу. Зорилго, алсын хараагаа биелүүлэхэд тань туслах нэгийг сонгохоо бүү мартаарай.
1. TensorFlow
Гүнзгий суралцах тухай ярихдаа, TensorFlow нь ихэвчлэн дурдагдсан анхны хүрээ юм. Маш алдартай бөгөөд энэ хүрээг зөвхөн Google-ийн үүсгэн байгуулагч компани төдийгүй Dropbox, eBay, Airbnb, Nvidia болон бусад олон компаниуд ашигладаг.
TensorFlow нь өндөр болон доод түвшний API-г боловсруулахад ашиглагдаж, бараг бүх төрлийн төхөөрөмж дээр програм ажиллуулах боломжийг олгодог. Хэдийгээр Python нь үндсэн хэл боловч Tensoflow-ийн интерфэйсийг C++, Java, Julia, JavaScript зэрэг бусад програмчлалын хэлүүдийг ашиглан хандаж, удирдах боломжтой.
Нээлттэй эхийн хувьд TensorFlow нь бусад API-уудтай хэд хэдэн интеграци хийх, олон нийтийн дэмжлэг, шинэчлэлтүүдийг хурдан авах боломжийг олгодог. Тооцоолохдоо "статик график" дээр тулгуурладаг тул та шууд тооцоолол хийх эсвэл өөр цагт хандахын тулд үйлдлүүдийг хадгалах боломжийг олгодог. Эдгээр шалтгаанууд нь TensorBoard-ээр дамжуулан мэдрэлийн сүлжээнийхээ хөгжлийг "харах" боломжийг нэмсэнээр TensorFlow-ийг гүнзгий суралцах хамгийн алдартай хүрээ болгож байна.
Гол онцлог
- Нээлттэй эх
- Уян хатан байдал
- Шуурхай дибаг хийх
2. ПиТорч
PyTorch нь Facebook-ийн үйлчилгээнийхээ үйл ажиллагааг дэмжих зорилгоор боловсруулсан хүрээ юм. Нээлттэй эх сурвалж болсноос хойш энэ хүрээг Salesforce, Udacity зэрэг Facebook-ээс бусад компаниуд ашиглаж байна.
Энэхүү хүрээ нь динамикаар шинэчлэгдсэн графикуудыг ажиллуулдаг бөгөөд үүнийг боловсруулах явцад өгөгдлийн багцынхаа архитектурт өөрчлөлт оруулах боломжийг танд олгоно. PyTorch-ийн тусламжтайгаар гүнзгий суралцах туршлагагүй байсан ч мэдрэлийн сүлжээг хөгжүүлэх, сургах нь илүү хялбар байдаг.
Нээлттэй эх сурвалж, Python дээр суурилсан тул та PyTorch-д хялбар бөгөөд хурдан нэгтгэх боломжтой. Энэ нь бас сурах, ашиглах, дибаг хийхэд хялбар хүрээ юм. Хэрэв танд асуулт байгаа бол та Python нийгэмлэг болон PyTorch нийгэмлэгийн томоохон дэмжлэг, шинэчлэлтүүдэд найдаж болно.
Гол онцлог
- сурахад хялбар
- GPU болон CPU-г дэмждэг
- Номын санг өргөтгөх API-ийн баялаг багц
3. Apache MX Net
Өргөтгөх чадвар өндөр, гүйцэтгэл өндөр, алдааг хурдан олж засварлах, GPU дэвшилтэт дэмжлэг зэргээс шалтгаалан энэхүү хүрээг Apache том аж үйлдвэрийн төслүүдэд ашиглах зорилгоор бүтээсэн.
MXNet нь Gluon интерфейсийг багтаасан бөгөөд энэ нь бүх түвшний хөгжүүлэгчдийг ашиглах боломжийг олгодог гүн гүнзгий суралцаж эхэл үүлэн дээр, захын төхөөрөмжүүд болон гар утасны програмууд дээр. Глюон кодын хэдхэн мөрөнд та шугаман регресс, эргэлтийн сүлжээ болон давтагдах LSTM-үүдийг үүсгэж болно. объект илрүүлэх, яриа таних, зөвлөмж өгөх, хувийн болгох.
MXNet-ийг янз бүрийн төхөөрөмж дээр ашиглах боломжтой бөгөөд хэд хэдэн төхөөрөмж дэмждэг програмчлалын хэл Java, R, JavaScript, Scala, Go гэх мэт. Хэдийгээр түүний нийгэмлэг дэх хэрэглэгчид болон гишүүдийн тоо бага ч MXNet нь сайн бичигдсэн баримт бичигтэй бөгөөд өсөлтийн асар их нөөцтэй, ялангуяа Amazon энэ тогтолцоог AWS дээр Machine Learning хийх үндсэн хэрэглүүр болгон сонгосон.
Гол онцлог
- 8 хэлний холболт
- Олон CPU болон олон GPU системийг дэмждэг Түгээмэл сургалт
- Эрлийз урд хэсэг нь императив болон бэлгэдлийн горимуудын хооронд шилжих боломжийг олгодог
4. Microsoft танин мэдэхүйн хэрэгсэл
Хэрэв та Azure (Microsoft үүл үйлчилгээ) дээр ажилладаг програм эсвэл үйлчилгээ хөгжүүлэхээр төлөвлөж байгаа бол Microsoft Cognitive Toolkit нь таны гүнзгий суралцах төслүүдэд сонгох хүрээ юм. Энэ нь нээлттэй эх сурвалж бөгөөд Python, C++, C#, Java зэрэг програмчлалын хэлээр дэмжигддэг. Энэхүү систем нь "хүний тархи шиг сэтгэх" зорилготойгоор бүтээгдсэн тул маш их хэмжээний бүтэцгүй өгөгдлийг боловсруулахын зэрэгцээ хурдан сургалт, мэдрэмжтэй архитектурыг санал болгодог.
Skype, Xbox, Cortana-ийн ард байгаа энэ хүрээг сонгосноор та өөрийн программуудын сайн гүйцэтгэл, өргөтгөх чадвар, Azure-тэй энгийн интеграцчлалыг авах болно. Гэсэн хэдий ч, TensorFlow эсвэл PyTorch-тэй харьцуулахад түүний нийгэмлэг дэх гишүүдийн тоо, дэмжлэг багасдаг.
Дараах видео нь бүрэн танилцуулга, хэрэглээний жишээг санал болгож байна.
Гол онцлог
- Баримт бичгийг тодорхой болгох
- Майкрософт багийн дэмжлэг
- Шууд график дүрслэл
5. Керас
PyTorch-ийн нэгэн адил Keras нь өгөгдөл их шаарддаг төслүүдэд зориулагдсан Python-д суурилсан номын сан юм. Keras API нь өндөр түвшинд ажилладаг бөгөөд TensorFlow, Theano, Microsoft Cognitive Toolkit зэрэг доод түвшний API-уудтай нэгдэх боломжийг олгодог.
Кера ашиглахын зарим давуу тал нь сурахад хялбар байдал бөгөөд гүнзгий суралцах эхлэгчдэд санал болгож буй суурь юм; түүний байршуулах хурд; Питон нийгэмлэг болон бусад хүрээний нийгэмлэгүүдээс маш их дэмжлэг авдаг.
Керас нь янз бүрийн хэрэгжилтийг агуулдаг мэдрэлийн сүлжээний барилгын блокууд давхарга, зорилгын функц, идэвхжүүлэх функц, математикийн оновчтой болгох гэх мэт. Түүний кодыг GitHub дээр байрлуулсан бөгөөд форум болон Slack-ийн дэмжлэг үзүүлэх суваг байдаг. Стандартыг дэмжихээс гадна мэдрэлийн сүлжээ, Keras нь Convolutional Neural Networks болон Recurrent Neural Networks-ийн дэмжлэгийг санал болгодог.
Керас зөвшөөрдөг гүнзгий суралцах загварууд iOS болон Android үйлдлийн систем дээр ухаалаг гар утас, Java виртуал машин эсвэл вэб дээр үүсгэх боломжтой. Энэ нь мөн график боловсруулах нэгж (GPU) болон тензор боловсруулах нэгж (TPU) кластерууд дээр гүнзгий суралцах загваруудын тархсан сургалтыг ашиглах боломжийг олгодог.
Гол онцлог
- Урьдчилан бэлтгэгдсэн загварууд
- Олон талын дэмжлэг
- Хэрэглэгчдэд ээлтэй, олон нийтийн томоохон дэмжлэг
6. Apple Core ML
Core ML-ийг Apple компани өөрийн экосистем болох IOS, Mac OS, iPad OS-ийг дэмжих зорилгоор боловсруулсан. Түүний API нь бага түвшинд ажилладаг бөгөөд CPU болон GPU-ийн нөөцийг сайн ашигладаг бөгөөд энэ нь бүтээгдсэн загвар болон программуудыг интернет холболтгүй ч ажиллуулах боломжийг олгодог бөгөөд энэ нь төхөөрөмжийн "санах ойн ул мөр" болон эрчим хүчний зарцуулалтыг бууруулдаг.
Core ML-ийн үүнийг хийх арга нь iPhone/ipad дээр ажиллахад тохирсон өөр нэг машин сургалтын номын сан хийснээр биш юм. Үүний оронд Core ML нь бусад машин сургалтын программ хангамжид илэрхийлэгдсэн загварын үзүүлэлтүүд болон бэлтгэгдсэн параметрүүдийг авч iOS програмын эх сурвалж болох файл болгон хөрвүүлдэг хөрвүүлэгчтэй илүү төстэй юм. Энэхүү Core ML загвар руу хөрвүүлэх нь тухайн програмыг ашиглаж байх үед биш харин программ боловсруулах явцад хийгддэг бөгөөд үүнийг coremltools python номын сан дэмждэг.
Core ML нь хурдан гүйцэтгэлийг хялбархан нэгтгэдэг машин суралцах загваруудыг хэрэглээ болгон хувиргах. Энэ нь 30 гаруй төрлийн давхарга, шийдвэрийн мод, дэмжлэгийн вектор машин, шугаман регрессийн аргуудыг ашиглан гүн гүнзгий суралцахад дэмжлэг үзүүлдэг бөгөөд эдгээр нь бүгд Металл, Accelerate зэрэг доод түвшний технологиуд дээр суурилагдсан.
Гол онцлог
- Аппликешнүүдэд нэгтгэхэд хялбар
- Интернэт холболт шаарддаггүй орон нутгийн нөөцийг оновчтой ашиглах
- Нууцлал: өгөгдөл нь төхөөрөмжөөс гарах шаардлагагүй
7. ONNX
Манай жагсаалтын хамгийн сүүлийн хүрээ бол ONNX юм. Энэхүү хүрээ нь Microsoft болон Facebook-ийн хамтын ажиллагааны үр дүнд бий болсон бөгөөд энэ нь янз бүрийн хүрээ, хэрэгсэл, ажиллах хугацаа болон хөрвүүлэгчийн хооронд загвар шилжүүлэх, бүтээх үйл явцыг хялбарчлах зорилготой юм.
ONNX нь Microsoft Cognitive Toolkit, MXNet, Caffe болон (хөрвүүлэгч ашиглан) Tensorflow болон Core ML зэрэг доод түвшний API-уудын давуу талыг ашиглахын зэрэгцээ олон платформ дээр ажиллах боломжтой нийтлэг файлын төрлийг тодорхойлдог. ONNX-ийн цаад зарчим нь стек дээр загварыг сургаж, бусад дүгнэлт, таамаглалыг ашиглан хэрэгжүүлэх явдал юм.
Линуксийн сангийн дэд байгууллага болох LF AI сан нь экосистемийг бий болгох зорилготой байгууллага юм. нээлттэй эх үүсвэр хиймэл оюун ухаан (AI), машин сургалт (ML), гүнзгий суралцах (DL) зэрэгт инноваци. Энэ нь ONNX-ийг 14 оны 2019-р сарын XNUMX-нд төгсөлтийн түвшний төсөл болгон нэмсэн. LF AI сангийн дээвэр дор ONNX-ийн энэхүү алхам нь ONNX-ийг худалдагчаас хамааралгүй нээлттэй форматтай стандарт болгон бий болгоход чухал алхам гэж үзсэн.
ONNX загварын амьтны хүрээлэн нь ONNX форматаар Deep Learning дээр урьдчилан бэлтгэгдсэн загваруудын цуглуулга юм. Загвар бүрийн хувьд байдаг Бархасбадь гаригийн дэвтэр Загварын сургалт болон сургагдсан загвараас дүгнэлт хийхэд зориулагдсан. Тэмдэглэлийн дэвтэр нь Python хэл дээр бичигдсэн бөгөөд линкийг агуулна сургалтын мэдээллийн багц загвар архитектурыг тодорхойлсон анхны шинжлэх ухааны баримт бичгийн лавлагаа.
Гол онцлог
- Хүрээний харилцан ажиллах чадвар
- Техник хангамжийн оновчлол
Дүгнэлт
Энэ бол хамгийн сайн хүрээнүүдийн хураангуй юм гүн гүнзгий суралцах. Энэ зорилгоор үнэгүй эсвэл төлбөртэй хэд хэдэн хүрээ байдаг. Төсөлдөө хамгийн сайныг сонгохын тулд эхлээд аль платформд зориулж програмаа хөгжүүлэхээ мэдэж аваарай.
TensorFlow, Keras зэрэг ерөнхий хүрээнүүд нь эхлүүлэх хамгийн сайн сонголт юм. Гэхдээ хэрэв та үйлдлийн систем эсвэл төхөөрөмжийн онцлог давуу талыг ашиглах шаардлагатай бол Core ML болон Microsoft Cognitive Toolkit нь хамгийн сайн сонголт байж болох юм.
Андройд төхөөрөмж, бусад машинууд болон энэ жагсаалтад дурдаагүй тусгай зориулалт бүхий бусад хүрээнүүд байдаг. Хэрэв сүүлийн бүлэг таныг сонирхож байвал Google эсвэл бусад машин сургалтын сайтууд дээр тэдний мэдээллийг хайж олохыг санал болгож байна.
хариу үлдээх