Машин сургалтын загваруудыг хөгжүүлэх хамгийн алдартай хэрэгслүүдийн нэг бол TensorFlow юм. Бид TensorFlow-ийг янз бүрийн салбар дахь олон хэрэглээнд ашигладаг.
Энэ нийтлэлд бид TensorFlow AI загваруудын заримыг авч үзэх болно. Тиймээс бид ухаалаг системийг бий болгож чадна.
Бид мөн TensorFlow-ийн AI загвар бүтээхэд санал болгож буй хүрээг үзэх болно. Ингээд эхэлцгээе!
TensorFlow-ийн товч танилцуулга
Google-ийн TensorFlow нь нээлттэй эх сурвалж юм машин суралцах програм хангамжийн багц. Үүнд сургах, байршуулах хэрэгслүүд орно машин сургалтын загварууд олон платформ дээр. болон төхөөрөмжүүд, түүнчлэн гүнзгий суралцахад дэмжлэг үзүүлэх ба мэдрэлийн сүлжээ.
TensorFlow нь хөгжүүлэгчдэд төрөл бүрийн хэрэглээний загвар үүсгэх боломжийг олгодог. Үүнд зураг болон дууг таних, байгалийн хэлний боловсруулалт болон компьютерийн алсын хараа. Энэ нь олон нийтийн өргөн дэмжлэгтэй хүчтэй, дасан зохицох боломжтой хэрэгсэл юм.
TensorFlow-г компьютер дээрээ суулгахын тулд командын цонхонд үүнийг бичиж болно:
pip install tensorflow
AI загварууд хэрхэн ажилладаг вэ?
AI загварууд нь компьютерийн системүүд юм. Тиймээс тэд хүний оюун ухаанд ихэвчлэн шаардлагатай үйл ажиллагааг гүйцэтгэх зорилготой юм. Дүрс, яриа таних, шийдвэр гаргах нь ийм ажлуудын жишээ юм. AI загваруудыг асар их мэдээллийн багц дээр боловсруулдаг.
Тэд таамаглал дэвшүүлж, үйлдлийг гүйцэтгэхийн тулд машин сургалтын техникийг ашигладаг. Эдгээр нь өөрөө жолооддог автомашин, хувийн туслах, эмнэлгийн оношлогоо зэрэг хэд хэдэн хэрэглээтэй.
Тэгэхээр TensorFlow AI-ийн алдартай загварууд юу вэ?
ResNet
ResNet буюу үлдэгдэл сүлжээ нь конволюцийн нэг хэлбэр юм мэдрэлийн сүлжээ. Бид үүнийг зургийн ангилалд ашигладаг объект илрүүлэх. Үүнийг 2015 онд Майкрософт компанийн судлаачид бүтээсэн. Мөн үлдэгдэл холболтыг ашигладгаараа онцлогтой.
Эдгээр холболтууд нь сүлжээг амжилттай сурах боломжийг олгодог. Тиймээс давхаргын хооронд мэдээлэл илүү чөлөөтэй урсах боломжтой.
Keras API-г ашиглан ResNet-ийг TensorFlow-д хэрэгжүүлж болно. Энэ нь мэдрэлийн сүлжээг үүсгэх, сургах өндөр түвшний, хэрэглэгчдэд ээлтэй интерфейсээр хангадаг.
ResNet суулгаж байна
TensorFlow-ийг суулгасны дараа Keras API ашиглан ResNet загвар үүсгэж болно. TensorFlow нь Keras API-г агуулдаг тул та үүнийг тусад нь суулгах шаардлагагүй.
Та ResNet загварыг tensorflow.keras.applications-с оруулж болно. Мөн та ашиглах ResNet хувилбарыг сонгож болно, жишээ нь:
from tensorflow.keras.applications import ResNet50
Та мөн ResNet-д урьдчилан бэлтгэсэн жинг ачаалахдаа дараах кодыг ашиглаж болно.
model = ResNet50(weights='imagenet')
include_top=False шинж чанарыг сонгосноор та нэмэлт сургалт эсвэл захиалгат өгөгдлийн багцаа нарийн тааруулахын тулд загварыг ашиглаж болно.
model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
ResNet-ийн хэрэглээний талбарууд
ResNet-ийг зургийн ангилалд ашиглаж болно. Тиймээс та зургуудыг олон бүлэгт ангилж болно. Эхлээд та ResNet загварыг шошготой зургийн том өгөгдлийн багц дээр сургах хэрэгтэй. Дараа нь ResNet өмнө нь хараагүй зургуудын ангиллыг урьдчилан таамаглах боломжтой.
ResNet-ийг зураг дээрх зүйлийг илрүүлэх зэрэг объект илрүүлэх ажилд ашиглаж болно. Бид үүнийг эхлээд ResNet загварыг объектыг хязгаарласан хайрцгаар тэмдэглэсэн зургийн цуглуулгад сургаснаар хийж чадна. Дараа нь бид шинэ зураг дээрх объектуудыг танихад сурсан загварыг ашиглаж болно.
Бид мөн ResNet-ийг семантик сегментчиллийн ажилд ашиглаж болно. Тиймээс бид зураг дээрх пиксел бүрт семантик шошгыг өгч болно.
Эхлэлийн
Эхлэл гэдэг нь зураг дээрх зүйлийг таних чадвартай гүнзгий суралцах загвар юм. Google үүнийг 2014 онд зарласан бөгөөд олон давхаргыг ашиглан янз бүрийн хэмжээтэй зургийг шинжилдэг. Inception-ийн тусламжтайгаар таны загвар дүрсийг нарийн ойлгох боломжтой.
TensorFlow бол Inception загвар үүсгэх, ажиллуулах хүчирхэг хэрэгсэл юм. Энэ нь мэдрэлийн сүлжээг сургах өндөр түвшний, хэрэглэгчдэд ээлтэй интерфейсээр хангадаг. Тиймээс Inception бол хөгжүүлэгчдэд өргөдөл гаргахад маш энгийн загвар юм.
Эхлэлийг суулгаж байна
Та энэ мөрийн кодыг бичээд Inception-г суулгаж болно.
from tensorflow.keras.applications import InceptionV3
Inception-ийн хэрэглээний талбарууд
Inception загварыг мөн шинж чанаруудыг задлахад ашиглаж болно гүн гүнзгий суралцах Generative Adversarial Networks (GANs) болон Autoencoders зэрэг загварууд.
Анхны загвар нь тодорхой шинж чанаруудыг тодорхойлохын тулд нарийн тохируулагдсан байж болно. Түүнчлэн, бид рентген, CT, MRI гэх мэт эмнэлгийн дүрслэлийн хэрэглээний зарим эмгэгийг оношлох боломжтой.
Зургийн чанарыг шалгахын тулд Inception загварыг нарийн тохируулж болно. Бид зураг нь бүдэг, тод эсэхийг үнэлэх боломжтой.
Эхлэлийг объектыг хянах, үйлдэл илрүүлэх зэрэг видео шинжилгээний ажилд ашиглаж болно.
БЕРТ
BERT (Transformers-аас хоёр чиглэлтэй кодлогчийн төлөөлөл) нь Google-ээс боловсруулсан, урьдчилан бэлтгэгдсэн мэдрэлийн сүлжээний загвар юм. Бид үүнийг төрөл бүрийн байгалийн хэл боловсруулах ажилд ашиглаж болно. Эдгээр даалгавар нь текстийг ангилахаас эхлээд асуултанд хариулах хүртэл өөр өөр байж болно.
BERT нь трансформаторын архитектур дээр бүтээгдсэн. Тиймээс, та үгийн холболтыг ойлгохын тулд асар их хэмжээний текст оруулах боломжтой.
BERT бол урьдчилж бэлтгэгдсэн загвар бөгөөд үүнийг TensorFlow программд оруулах боломжтой.
TensorFlow нь BERT-ийн урьдчилан бэлтгэгдсэн загвараас гадна BERT-г нарийн тохируулах, төрөл бүрийн даалгаварт хэрэглэх хэрэгслүүдийн цуглуулгатай. Тиймээс та BERT-ийн байгалийн хэл боловсруулах боловсронгуй чадварыг хялбархан нэгтгэж чадна.
BERT суулгаж байна
Pip багц менежерийг ашиглан TensorFlow дээр BERT суулгаж болно:
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-gpu-г tensorflow-аар орлуулах замаар TensorFlow-ийн CPU-ийн хувилбарыг хялбархан суулгаж болно.
Номын санг суулгасны дараа та BERT загварыг оруулж, өөр NLP даалгавруудад ашиглаж болно. Текст ангиллын асуудал дээр BERT загварыг нарийн тааруулах зарим жишээ код энд байна, жишээлбэл:
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-ийн хэрэглээний талбарууд
Та текст ангилах даалгавруудыг гүйцэтгэж болно. Жишээлбэл, үүнд хүрэх боломжтой сэтгэл хөдлөлийн шинжилгээ, сэдвийн ангилал, спам илрүүлэх.
БЕРТ нь Байгууллагыг таних гэж нэрлэсэн (NER) онцлог. Тиймээс та текстэн дэх хувь хүн, байгууллага гэх мэт байгууллагуудыг таньж, шошголох боломжтой.
Энэ нь хайлтын систем эсвэл чатбот програм гэх мэт тодорхой нөхцөл байдлаас шалтгаалан асуулгад хариулахад ашиглагдаж болно.
BERT нь машин орчуулгын нарийвчлалыг нэмэгдүүлэхийн тулд хэлний орчуулгад тустай байж болох юм.
Текстийг нэгтгэн дүгнэхэд BERT ашиглаж болно. Тиймээс энэ нь урт текстийн баримт бичгийн товч, хэрэгтэй хураангуйг өгөх боломжтой.
DeepVoice
Baidu Research DeepVoice, a Текстээс-Яриа болгох синтезийн загвар.
Энэ нь TensorFlow framework-ээр бүтээгдсэн бөгөөд дуут мэдээллийн томоохон цуглуулгад сургагдсан.
DeepVoice нь текст оролтоос дуу хоолойг үүсгэдэг. DeepVoice нь гүнзгий суралцах арга техникийг ашиглан үүнийг боломжтой болгодог. Энэ нь мэдрэлийн сүлжээнд суурилсан загвар юм.
Тиймээс энэ нь оролтын өгөгдөлд дүн шинжилгээ хийж, холбогдсон зангилааны олон давхаргыг ашиглан яриа үүсгэдэг.
DeepVoice суулгаж байна
!pip install deepvoice
Өөрөөр;
# Clone the DeepVoice repository
!git clone https://github.com/r9y9/DeepVoice3_pytorch.git
%cd DeepVoice3_pytorch
!pip install -r requirements.txt
DeepVoice-ийн хэрэглээний талбарууд
Та DeepVoice-г Amazon Alexa болон Google Assistant зэрэг хувийн туслахуудад зориулж үг хэлэх боломжтой.
Мөн DeepVoice-ийг ухаалаг чанга яригч, гэрийн автоматжуулалтын систем зэрэг дуу хоолойгоор ажилладаг төхөөрөмжүүдэд зориулж яриа үүсгэхэд ашиглаж болно.
DeepVoice нь ярианы эмчилгээний програмуудад зориулсан дуу хоолой үүсгэх боломжтой. Энэ нь хэл ярианы бэрхшээлтэй өвчтөнүүдийн яриаг сайжруулахад тусалдаг.
DeepVoice-ийг аудио ном, хэл сурах програм зэрэг боловсролын материалын яриа үүсгэхэд ашиглаж болно.
хариу үлдээх