နက်ရှိုင်းသော သင်ယူမှုအတွက် မူဘောင်တစ်ခုတွင် စက်သင်ယူမှုပုံစံများကို လျင်မြန်တိကျစွာ သတ်မှတ်ရန်နှင့် လေ့ကျင့်ရန် အင်တာဖေ့စ်များ၊ စာကြည့်တိုက်များနှင့် ကိရိယာများ ပေါင်းစပ်ပါဝင်ပါသည်။
နက်နက်ရှိုင်းရှိုင်း သင်ယူမှုသည် ဖွဲ့စည်းတည်ဆောက်ပုံမရှိသော၊ စာသားမဟုတ်သော ဒေတာအများအပြားကို အသုံးပြုထားသောကြောင့်၊ သင်သည် "အလွှာများ" အကြား အပြန်အလှန်အကျိုးသက်ရောက်မှုကို ထိန်းချုပ်ပေးသည့် မူဘောင်တစ်ခု လိုအပ်ပြီး ထည့်သွင်းဒေတာမှ သင်ယူကာ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ ဆုံးဖြတ်ချက်များချခြင်းဖြင့် မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုကို မြန်ဆန်စေသည်။
အကယ်၍ သင်သည် 2021 ခုနှစ်တွင် နက်နဲသောသင်ယူမှုအကြောင်းလေ့လာရန်စိတ်ဝင်စားပါက၊ အောက်တွင်ဖော်ပြထားသောဘောင်များထဲမှတစ်ခုကိုအသုံးပြုရန်စဉ်းစားပါ။ မင်းရဲ့ပန်းတိုင်နဲ့ မျှော်မှန်းချက်တွေကို အောင်မြင်အောင် ကူညီပေးနိုင်မယ့်တစ်ခုကို ရွေးချယ်ဖို့ မမေ့ပါနဲ့။
1. TensorFlow
နက်နဲသောသင်ယူမှုအကြောင်းပြောသောအခါ၊ TensorFlow ပထမမူဘောင်ကို ဖော်ပြလေ့ရှိသည်။ အလွန်ရေပန်းစားသော၊ ဤဘောင်အား ၎င်း၏ဖန်တီးမှုအတွက် တာဝန်ရှိသည့် Google ကုမ္ပဏီမှသာမက Dropbox၊ eBay၊ Airbnb၊ Nvidia နှင့် အခြားကုမ္ပဏီများမှလည်း အသုံးပြုပါသည်။
TensorFlow ကို စက်ပစ္စည်းအမျိုးအစားတိုင်းတွင် အပလီကေးရှင်းများ လုပ်ဆောင်နိုင်စေမည့် မြင့်မားသောအဆင့် API များကို ဖွံ့ဖြိုးတိုးတက်စေရန်အတွက် အသုံးပြုနိုင်သည်။ Python သည် ၎င်း၏ အဓိကဘာသာစကားဖြစ်သော်လည်း Tensoflow ၏ အင်တာဖေ့စ်သည် C++၊ Java၊ Julia နှင့် JavaScript ကဲ့သို့သော အခြားသော ပရိုဂရမ်းမင်းဘာသာစကားများကို အသုံးပြု၍ ထိန်းချုပ်နိုင်သည်။
Open-source အနေဖြင့် TensorFlow သည် သင့်အား အခြားသော APIs များနှင့် ပေါင်းစည်းမှုများစွာပြုလုပ်နိုင်ပြီး ကွန်မြူနတီမှ မြန်ဆန်သောပံ့ပိုးကူညီမှုနှင့် အပ်ဒိတ်များကို ရယူနိုင်သည်။ တွက်ချက်မှုအတွက် ၎င်း၏ "တည်ငြိမ်ဂရပ်ဖစ်များ" ပေါ်တွင် မှီခိုအားထားမှုသည် သင့်အား ချက်ခြင်းတွက်ချက်မှုများပြုလုပ်ရန် သို့မဟုတ် အခြားအချိန်တစ်ခုတွင် ဝင်ရောက်အသုံးပြုနိုင်ရန်အတွက် လုပ်ဆောင်ချက်များကို သိမ်းဆည်းနိုင်စေသည်။ TensorBoard မှတဆင့် သင့်အာရုံကြောကွန်ရက် ဖွံ့ဖြိုးတိုးတက်မှုကို သင် “ကြည့်ရှု” နိုင်သည့် ဖြစ်နိုင်ခြေကို ပေါင်းထည့်ထားသောကြောင့် TensorFlow ကို နက်ရှိုင်းစွာ သင်ယူမှုအတွက် ရေပန်းအစားဆုံး မူဘောင်ဖြစ်လာစေသည်။
Key ကိုအင်္ဂါရပ်များ
- ပွင့်လင်းအရင်းအမြစ်
- ပြောင်းလွယ်ပြင်လွယ်
- အမြန်အမှားရှာပြင်ခြင်း။
2. Pythorch
PyTorch သည် ၎င်း၏ဝန်ဆောင်မှုများကို ပံ့ပိုးပေးရန်အတွက် Facebook မှ ဖန်တီးထားသော မူဘောင်တစ်ခုဖြစ်သည်။ Open-source ဖြစ်လာပြီးကတည်းက၊ ဤမူဘောင်ကို Salesforce နှင့် Udacity ကဲ့သို့သော Facebook မှလွဲ၍ အခြားကုမ္ပဏီများမှ အသုံးပြုခဲ့သည်။
ဤဘောင်သည် သင်လုပ်ဆောင်နေစဉ်တွင် သင့်ဒေတာအတွဲ၏ ဗိသုကာလက်ရာကို အပြောင်းအလဲများပြုလုပ်နိုင်စေမည့် ဒိုင်းနမစ်မွမ်းမံထားသော ဂရပ်များကို လုပ်ဆောင်ပေးပါသည်။ PyTorch ဖြင့် နက်ရှိုင်းသောသင်ယူမှုအတွေ့အကြုံမရှိသော်လည်း၊ အာရုံကြောကွန်ရက်တစ်ခုကို ဖွံ့ဖြိုးတိုးတက်ရန်နှင့် လေ့ကျင့်ရန် ပိုမိုလွယ်ကူသည်။
Open-source နှင့် Python ကိုအခြေခံထားသောကြောင့် PyTorch တွင် ရိုးရှင်းပြီး လျင်မြန်သောပေါင်းစပ်မှုများကို ပြုလုပ်နိုင်သည်။ ၎င်းသည် လေ့လာရန်၊ အသုံးပြုရန်နှင့် အမှားရှာရန် ရိုးရှင်းသောဘောင်တစ်ခုလည်းဖြစ်သည်။ သင့်တွင်မေးခွန်းများရှိပါက၊ Python အသိုင်းအဝိုင်းနှင့် PyTorch အသိုင်းအဝိုင်းနှစ်ခုလုံးမှ ကောင်းမွန်သောပံ့ပိုးကူညီမှုနှင့် အပ်ဒိတ်များကို သင်အားကိုးနိုင်ပါသည်။
Key ကိုအင်္ဂါရပ်များ
- လေ့လာသင်ယူဖို့လွယ်ကူ
- GPU နှင့် CPU ကိုထောက်ပံ့သည်။
- စာကြည့်တိုက်များတိုးချဲ့ရန် ကြွယ်ဝသော API များ
3. Apache MX Net
၎င်း၏စွမ်းရည်မြင့်မားမှု၊ စွမ်းဆောင်ရည်မြင့်မားမှု၊ မြန်ဆန်သောပြဿနာဖြေရှင်းခြင်းနှင့် အဆင့်မြင့် GPU ပံ့ပိုးမှုတို့ကြောင့်၊ ဤဘောင်အား ကြီးမားသောစက်မှုပရောဂျက်များတွင် အသုံးပြုရန်အတွက် Apache မှ ဖန်တီးခဲ့ခြင်းဖြစ်သည်။
MXNet တွင် ကျွမ်းကျင်မှုအဆင့်အားလုံး၏ developer များကို ခွင့်ပြုပေးသည့် Gluon interface ပါဝင်သည်။ နက်နဲသောသင်ယူမှုဖြင့် စတင်လိုက်ပါ။ cloud ပေါ်တွင်၊ အနားသတ်ကိရိယာများနှင့် မိုဘိုင်းအက်ပ်များပေါ်တွင်။ Gluon ကုဒ်၏လိုင်းအနည်းငယ်တွင်၊ သင်သည် linear regression၊ convolutional networks နှင့် recurrent LSTMs ကိုတည်ဆောက်နိုင်သည်။ အရာဝတ္ထုထောက်လှမ်း၊ စကားပြောအသိအမှတ်ပြုမှု၊ အကြံပြုချက် နှင့် ပုဂ္ဂိုလ်ရေးသီးသန့်ပြုလုပ်ခြင်း။
MXNet ကို စက်အမျိုးမျိုးတွင် အသုံးပြုနိုင်ပြီး အများအပြားက ပံ့ပိုးပေးထားသည်။ programming ဘာသာစကားများ Java၊ R၊ JavaScript၊ Scala နှင့် Go ကဲ့သို့သော။ ၎င်း၏ကွန်မြူနတီရှိအသုံးပြုသူနှင့်အဖွဲ့ဝင်အရေအတွက်နည်းပါးသော်လည်း MXNet တွင် ကောင်းမွန်စွာရေးသားထားသောစာရွက်စာတမ်းများရှိပြီး တိုးတက်မှုအတွက် အလားအလာကောင်းများရှိပါသည်။ အထူးသဖြင့် ယခုအချိန်တွင် Amazon သည် ဤမူဘောင်ကို AWS တွင် Machine Learning အတွက်အဓိကကိရိယာအဖြစ်ရွေးချယ်ထားသောကြောင့်ဖြစ်သည်။
Key ကိုအင်္ဂါရပ်များ
- ဘာသာစကား ၈ မျိုး ပေါင်းစပ်ခြင်း။
- Multi-CPU နှင့် Multi-GPU စနစ်များကို ပံ့ပိုးပေးသော ဖြန့်ဝေထားသော သင်တန်း
- မရှိမဖြစ်နှင့် သင်္ကေတမုဒ်များအကြား ပြောင်းနိုင်စေမည့် Hybrid front-end
4. Microsoft ကသိမှု Toolkit
အကယ်၍ သင်သည် Azure (Microsoft cloud ဝန်ဆောင်မှုများပေါ်တွင်သုံးသည့် အပလီကေးရှင်းများ သို့မဟုတ် ဝန်ဆောင်မှုများ) ကို ဖန်တီးရန် စဉ်းစားနေပါက Microsoft Cognitive Toolkit သည် သင်၏ နက်နဲသော သင်ယူမှု ပရောဂျက်များအတွက် ရွေးချယ်ရန် မူဘောင်ဖြစ်သည်။ ၎င်းသည် open-source ဖြစ်ပြီး Python၊ C++၊ C#၊ Java ကဲ့သို့သော ပရိုဂရမ်းမင်းဘာသာစကားများဖြင့် ပံ့ပိုးထားသည်။ ဤမူဘောင်ကို "လူ့ဦးနှောက်ကဲ့သို့တွေး" ရန် ဒီဇိုင်းထုတ်ထားသောကြောင့် ၎င်းသည် လျင်မြန်သောလေ့ကျင့်မှုနှင့် အလိုလိုသိမြင်နိုင်သော ဗိသုကာပညာကို ပေးဆောင်နေချိန်တွင် ဖွဲ့စည်းတည်ဆောက်ပုံမထားသောဒေတာအများအပြားကို စီမံဆောင်ရွက်နိုင်မည်ဖြစ်သည်။
Skype၊ Xbox၊ နှင့် Cortana နောက်ကွယ်မှ တူညီသော ဤဘောင်ကို ရွေးချယ်ခြင်းဖြင့် သင်သည် သင်၏ အက်ပ်လီကေးရှင်းများ၊ ကျွမ်းကျင်ပိုင်နိုင်မှုနှင့် Azure နှင့် ရိုးရှင်းသော ပေါင်းစပ်မှုတို့မှ ကောင်းမွန်သော စွမ်းဆောင်ရည်ကို ရရှိမည်ဖြစ်သည်။ သို့သော်လည်း TensorFlow သို့မဟုတ် PyTorch နှင့် နှိုင်းယှဉ်ပါက ၎င်း၏အသိုင်းအဝိုင်းရှိ အဖွဲ့ဝင်အရေအတွက်နှင့် ပံ့ပိုးကူညီမှုမှာ လျော့နည်းသွားပါသည်။
အောက်ဖော်ပြပါ ဗီဒီယိုသည် ပြီးပြည့်စုံသော နိဒါန်းနှင့် အပလီကေးရှင်း ဥပမာများကို ပေးသည်-
Key ကိုအင်္ဂါရပ်များ
- စာရွက်စာတမ်းများရှင်းလင်းပါ
- Microsoft အဖွဲ့မှ ပံ့ပိုးမှု
- တိုက်ရိုက်ဂရပ်ကို ပုံဖော်ခြင်း။
5. ကရား
PyTorch ကဲ့သို့ပင်၊ Keras သည် ဒေတာအထူးပြုပရောဂျက်များအတွက် Python-based စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ keras API သည် မြင့်မားသောအဆင့်တွင်အလုပ်လုပ်ပြီး TensorFlow၊ Theano နှင့် Microsoft Cognitive Toolkit ကဲ့သို့သော အဆင့်နိမ့် API များနှင့် ပေါင်းစည်းမှုကို ခွင့်ပြုသည်။
keras ကိုအသုံးပြုခြင်း၏ အကျိုးကျေးဇူးအချို့မှာ သင်ယူရန် ရိုးရှင်းခြင်းဖြစ်သည် - နက်နဲသောသင်ယူမှုစတင်သူများအတွက် အကြံပြုထားသော မူဘောင်ဖြစ်သည်။ ၎င်း၏ဖြန့်ကျက်မှုအရှိန် python အသိုက်အဝန်းနှင့် ၎င်းကို ပေါင်းစပ်ထားသည့် အခြားသော မူဘောင်များ၏ အသိုင်းအဝိုင်းများမှ ကြီးမားသော ပံ့ပိုးကူညီမှု ရှိခြင်း။
Keras ၏ အမျိုးမျိုးသော အကောင်အထည်ဖော်မှုများပါရှိသည်။ အာရုံကြောကွန်ရက်များ တည်ဆောက်ခြင်း အလွှာများ၊ ရည်ရွယ်ချက် လုပ်ဆောင်ချက်များ၊ အသက်သွင်းခြင်း လုပ်ဆောင်ချက်များနှင့် သင်္ချာဆိုင်ရာ အကောင်းဆုံးလုပ်ဆောင်မှုများ ကဲ့သို့သော။ ၎င်း၏ကုဒ်ကို GitHub တွင် လက်ခံထားပြီး ဖိုရမ်များနှင့် Slack ပံ့ပိုးမှုချန်နယ်တစ်ခုရှိသည်။ ထို့အပြင် စံနှုန်းများအတွက် ပံ့ပိုးပေးသည်။ အာရုံကြောကွန်ရက်များKeras သည် Convolutional Neural Networks နှင့် Recurrent Neural Networks အတွက် ပံ့ပိုးမှုပေးပါသည်။
Keras ခွင့်ပြုသည်။ နက်နဲသောသင်ယူမှုပုံစံများ iOS နှင့် Android နှစ်မျိုးလုံးရှိ စမတ်ဖုန်းများပေါ်တွင်၊ Java Virtual Machine ပေါ်တွင် သို့မဟုတ် ဝဘ်ပေါ်တွင် ထုတ်လုပ်မည်ဖြစ်သည်။ Graphics Processing Units (GPU) နှင့် Tensor Processing Units (TPU) ၏ အစုအဝေးများတွင် နက်နဲသော သင်ယူမှုပုံစံများ၏ ဖြန့်ဝေလေ့ကျင့်မှုကိုလည်း အသုံးပြုခွင့်ပေးသည်။
Key ကိုအင်္ဂါရပ်များ
- ကြိုတင်လေ့ကျင့်ထားသော မော်ဒယ်များ
- များစွာသော နောက်ခံပံ့ပိုးမှု
- အသုံးပြုရလွယ်ကူပြီး ကြီးမားသောအသိုင်းအဝိုင်း ပံ့ပိုးမှု
6. Apple Core ML
Core ML ကို Apple မှ ၎င်း၏ ecosystem – IOS၊ Mac OS နှင့် iPad OS တို့ကို ပံ့ပိုးရန် တီထွင်ခဲ့သည်။ ၎င်း၏ API သည် နိမ့်ပါးသောအဆင့်တွင် အလုပ်လုပ်ပြီး CPU နှင့် GPU ၏အရင်းအမြစ်များကို ကောင်းမွန်စွာအသုံးပြုခြင်းဖြင့် အင်တာနက်ချိတ်ဆက်မှုမရှိဘဲ ဖန်တီးထားသည့် မော်ဒယ်များနှင့် အပလီကေးရှင်းများ ဆက်လက်လည်ပတ်နိုင်စေကာ စက်ပစ္စည်း၏ "မှတ်ဉာဏ်ခြေရာခံ" နှင့် ပါဝါသုံးစွဲမှုကို လျှော့ချပေးသည်။
Core ML သည် ၎င်းကို ပြီးမြောက်စေသည့် နည်းလမ်းမှာ iphones/ipad ပေါ်တွင် အသုံးပြုရန်အတွက် အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ထားသည့် အခြားသော machine learning library ကို ပြုလုပ်ခြင်းဖြင့် အတိအကျမဟုတ်ပါ။ ယင်းအစား Core ML သည် အခြားစက်သင်ယူမှုဆော့ဖ်ဝဲလ်ဖြင့် ဖော်ပြထားသော မော်ဒယ်သတ်မှတ်ချက်များနှင့် လေ့ကျင့်သင်ကြားထားသော ကန့်သတ်ဘောင်များကိုယူကာ iOS အက်ပ်အတွက် အရင်းအမြစ်ဖြစ်လာသည့် ဖိုင်အဖြစ်သို့ ပြောင်းလဲပေးသည့် ကွန်ပီလာနှင့် ပိုတူသည်။ Core ML မော်ဒယ်သို့ ဤပြောင်းလဲခြင်းသည် အက်ပ်ကိုအသုံးပြုနေသောကြောင့် အချိန်နှင့်တပြေးညီမဟုတ်ဘဲ အက်ပ်ဖန်တီးမှုအတွင်း ဖြစ်ပေါ်ပြီး coremltools python စာကြည့်တိုက်မှ ပံ့ပိုးပေးပါသည်။
Core ML သည် လွယ်ကူသောပေါင်းစပ်မှုဖြင့် လျင်မြန်သောစွမ်းဆောင်ရည်ကို ပေးဆောင်သည်။ စက်သင်ယူမှု မော်ဒယ်များကို applications များထဲသို့။ ၎င်းသည် အလွှာ 30 ကျော်အပြင် ဆုံးဖြတ်ချက်သစ်များ၊ ပံ့ပိုးပေးသော vector စက်များနှင့် သတ္တုနှင့် အရှိန်မြှင့်ခြင်းကဲ့သို့သော အဆင့်နိမ့်နည်းပညာများ၏ထိပ်တွင် တည်ဆောက်ထားသည့် နက်နဲသောသင်ယူမှုကို ပံ့ပိုးပေးပါသည်။
Key ကိုအင်္ဂါရပ်များ
- အက်ပ်များတွင် ပေါင်းစပ်ရန် လွယ်ကူသည်။
- အင်တာနက်အသုံးပြုခွင့် မလိုအပ်ဘဲ ဒေသတွင်းအရင်းအမြစ်များကို အကောင်းဆုံးအသုံးပြုပါ။
- ကိုယ်ရေးကိုယ်တာ- ဒေတာသည် စက်မှထွက်ခွာရန် မလိုအပ်ပါ။
7. ONNX
ကျွန်ုပ်တို့၏စာရင်းရှိ နောက်ဆုံးမူဘောင်မှာ ONNX ဖြစ်သည်။ မတူညီသော frameworks၊ tools၊ runtimes နှင့် compilers များအကြား မော်ဒယ်များ လွှဲပြောင်းခြင်းနှင့် တည်ဆောက်ခြင်း လုပ်ငန်းစဉ်ကို ရိုးရှင်းစေရန် ရည်ရွယ်ချက်ဖြင့် Microsoft နှင့် Facebook အကြား ပူးပေါင်းဆောင်ရွက်ခြင်းမှ ထွက်ပေါ်လာခြင်းဖြစ်သည်။
ONNX သည် Microsoft Cognitive Toolkit၊ MXNet၊ Caffe နှင့် ( converters များအသုံးပြုခြင်း) Tensorflow နှင့် Core ML ကဲ့သို့သော အဆင့်နိမ့် API များ၏ အကျိုးကျေးဇူးများကို အသုံးပြုနေစဉ်တွင် ONNX သည် ဘုံဖိုင်အမျိုးအစားကို သတ်မှတ်သည်။ ONNX ၏ နောက်ကွယ်ရှိ နိယာမမှာ stack တစ်ခုပေါ်တွင် မော်ဒယ်တစ်ခုကို လေ့ကျင့်ပြီး အခြား ကောက်ချက်များနှင့် ခန့်မှန်းချက်များကို အသုံးပြု၍ အကောင်အထည် ဖော်ရန် ဖြစ်သည်။
LF AI ဖောင်ဒေးရှင်းသည် Linux ဖောင်ဒေးရှင်း၏ လုပ်ငန်းခွဲတစ်ခုဖြစ်ပြီး ဂေဟစနစ်ကို ပံ့ပိုးပေးရန်အတွက် တည်ဆောက်ထားသော အဖွဲ့အစည်းတစ်ခုဖြစ်သည်။ open-source ဥာဏ်ရည်တု (AI)၊ စက်သင်ယူမှု (ML) နှင့် နက်ရှိုင်းသောသင်ယူမှု (DL) တို့တွင် ဆန်းသစ်တီထွင်မှု။ ၎င်းသည် ONNX ကို 14 ခုနှစ် နိုဝင်ဘာလ 2019 ရက်နေ့တွင် ဘွဲ့လွန်အဆင့်ပရောဂျက်တစ်ခုအဖြစ် ထည့်သွင်းခဲ့သည်။ LF AI ဖောင်ဒေးရှင်း၏ ထီးရိပ်အောက်တွင် ONNX ၏ ဤရွေ့လျားမှုသည် ONNX ကို ရောင်းချသူ-ကြားနေဖွင့်ဖော်မတ်စံအဖြစ် တည်ထောင်ရာတွင် အရေးကြီးသော မှတ်တိုင်တစ်ခုအဖြစ် ရှုမြင်ပါသည်။
ONNX Model Zoo သည် ONNX ဖော်မတ်ဖြင့် ရရှိနိုင်သော Deep Learning တွင် ကြိုတင်လေ့ကျင့်ထားသော မော်ဒယ်များ စုစည်းမှုတစ်ခုဖြစ်သည်။ မော်ဒယ်တစ်ခုစီအတွက်ပါရှိပါတယ်။ Jupyter မှတ်စုစာအုပ်များ မော်ဒယ်လေ့ကျင့်ရေး နှင့် လေ့ကျင့်ထားသော မော်ဒယ်ဖြင့် အနုမာန ဖျော်ဖြေခြင်း။ မှတ်စုစာအုပ်များတွင် Python ဖြင့်ရေးသားထားပြီး လင့်ခ်များပါရှိသည်။ သင်တန်းဒေတာအစုံ မော်ဒယ်ဗိသုကာကိုဖော်ပြသည့် မူရင်းသိပ္ပံနည်းကျစာတမ်းကို ကိုးကားသည်။
Key ကိုအင်္ဂါရပ်များ
- မူဘောင် အပြန်အလှန်လုပ်ဆောင်နိုင်မှု
- Hardware Optimization
ကောက်ချက်
ဤသည်မှာ အကောင်းဆုံးမူဘောင်များ၏ အကျဉ်းချုပ်ဖြစ်သည်။ နက်ရှိုင်းသောသင်ယူမှု. ဤရည်ရွယ်ချက်အတွက်၊ အခမဲ့ သို့မဟုတ် အခကြေးငွေပေးဆောင်ရန် မူဘောင်များစွာရှိသည်။ သင့်ပရောဂျက်အတွက် အကောင်းဆုံးကိုရွေးချယ်ရန်၊ သင့်အပလီကေးရှင်းကို ဖန်တီးမည့် မည်သည့်ပလက်ဖောင်းကို ဦးစွာသိပါ။
TensorFlow နှင့် Keras ကဲ့သို့သော အထွေထွေဘောင်များသည် စတင်ရန် အကောင်းဆုံးရွေးချယ်မှုများဖြစ်သည်။ ဒါပေမယ့် OS သို့မဟုတ် စက်ပစ္စည်းအလိုက် အားသာချက်များကို အသုံးပြုရန်လိုအပ်ပါက Core ML နှင့် Microsoft Cognitive Toolkit သည် အကောင်းဆုံးရွေးချယ်မှုများ ဖြစ်နိုင်သည်။
Android စက်ပစ္စည်းများ၊ အခြားစက်များနှင့် ဤစာရင်းတွင်ဖော်ပြထားခြင်းမရှိသော သီးခြားရည်ရွယ်ချက်များအတွက် ရည်ရွယ်သော အခြားဘောင်များရှိပါသည်။ နောက်အုပ်စုက မင်းကို စိတ်ဝင်စားတယ်ဆိုရင်၊ Google ဒါမှမဟုတ် တခြားစက်လေ့လာရေးဆိုက်တွေမှာ သူတို့ရဲ့ အချက်အလက်တွေကို ရှာဖွေဖို့ အကြံပြုပါတယ်။
တစ်ဦးစာပြန်ရန် Leave