ගැඹුරු ඉගෙනීම සඳහා වන රාමුවක් යන්ත්ර ඉගෙනුම් ආකෘති ඉක්මනින් සහ නිවැරදිව නිර්වචනය කිරීමට සහ පුහුණු කිරීමට අතුරු මුහුණත්, පුස්තකාල සහ මෙවලම්වල එකතුවකින් සමන්විත වේ.
ගැඹුරු ඉගෙනීම ව්යුහගත නොවන, පාඨමය නොවන දත්ත විශාල ප්රමාණයක් භාවිතා කරන බැවින්, ඔබට "ස්ථර" අතර අන්තර්ක්රියා පාලනය කරන රාමුවක් අවශ්ය වන අතර ආදාන දත්ත වලින් ඉගෙන ගෙන ස්වයංක්රීය තීරණ ගැනීමෙන් ආකෘති සංවර්ධනය වේගවත් කරයි.
ඔබ 2021 දී ගැඹුරු ඉගෙනීම ගැන ඉගෙන ගැනීමට කැමති නම්, පහත දක්වා ඇති රාමු වලින් එකක් භාවිතා කිරීම සලකා බලන්න. ඔබේ ඉලක්ක සහ දැක්ම සාක්ෂාත් කර ගැනීමට උපකාර වන එකක් තෝරා ගැනීමට මතක තබා ගන්න.
1. TensorFlow
ගැඹුරු ඉගෙනීම ගැන කතා කරන විට, TensorFlow බොහෝ විට සඳහන් කළ පළමු රාමුව වේ. ඉතා ජනප්රිය, මෙම රාමුව Google විසින් - එය නිර්මාණය කිරීම සඳහා වගකිව යුතු සමාගම - පමණක් නොව Dropbox, eBay, Airbnb, Nvidia සහ තවත් බොහෝ සමාගම් විසින් භාවිතා කරනු ලැබේ.
TensorFlow ඉහළ සහ පහළ මට්ටමේ API සංවර්ධනය කිරීමට භාවිතා කළ හැක, ඔබට ඕනෑම ආකාරයක උපාංගයක් මත යෙදුම් ධාවනය කිරීමට ඉඩ සලසයි. Python එහි මූලික භාෂාව වුවද, C++, Java, Julia සහ JavaScript වැනි අනෙකුත් ක්රමලේඛන භාෂා භාවිතයෙන් Tensoflow හි අතුරු මුහුණතට ප්රවේශ වී පාලනය කළ හැක.
විවෘත මූලාශ්ර වීම, TensorFlow ඔබට වෙනත් API සමඟ ඒකාබද්ධ කිරීම් කිහිපයක් කිරීමට සහ ප්රජාවෙන් වේගවත් සහාය සහ යාවත්කාලීන ලබා ගැනීමට ඉඩ සලසයි. ගණනය කිරීම සඳහා "ස්ථිතික ප්රස්තාර" මත එහි රඳා පැවැත්ම ඔබට ක්ෂණික ගණනය කිරීම් කිරීමට හෝ වෙනත් අවස්ථාවක ප්රවේශය සඳහා මෙහෙයුම් සුරැකීමට ඉඩ සලසයි. මෙම හේතු, ඔබට TensorBoard හරහා ඔබේ ස්නායු ජාලයේ වර්ධනය “නැරඹිය හැකි” හැකියාවට එකතු කර, TensorFlow ගැඹුරු ඉගෙනීම සඳහා වඩාත් ජනප්රිය රාමුව බවට පත් කරයි.
මූලික ලක්ෂණ
- විවෘත මූලාශ්රය
- හැකි ආකාරයේ නම්යශීලී
- වේගවත් නිදොස්කරණය
2. පයිටෝර්ච්
PyTorch යනු Facebook විසින් එහි සේවාවන් ක්රියාත්මක කිරීමට සහාය වීම සඳහා සකස් කරන ලද රාමුවකි. විවෘත මූලාශ්රය බවට පත් වූ දා සිට, මෙම රාමුව Facebook හැර, Salesforce සහ Udacity වැනි සමාගම් විසින් භාවිතා කර ඇත.
මෙම රාමුව ගතිකව යාවත්කාලීන කළ ප්රස්තාර ක්රියාත්මක කරයි, ඔබ එය සකසන විට ඔබේ දත්ත කට්ටලයේ ගෘහ නිර්මාණ ශිල්පයට වෙනස්කම් කිරීමට ඉඩ සලසයි. PyTorch සමඟ ගැඹුරු ඉගෙනීම පිළිබඳ කිසිදු අත්දැකීමක් නොමැතිව වුවද ස්නායුක ජාලයක් සංවර්ධනය කිරීම සහ පුහුණු කිරීම සරල ය.
විවෘත මූලාශ්ර වීම සහ Python මත පදනම්ව, ඔබට PyTorch වෙත සරල සහ වේගවත් ඒකාබද්ධ කිරීම් සිදු කළ හැක. එය ඉගෙනීමට, භාවිතා කිරීමට සහ නිදොස් කිරීමට සරල රාමුවකි. ඔබට ප්රශ්න ඇත්නම්, පයිතන් ප්රජාව සහ පයිටෝර්ච් ප්රජාව යන ප්රජාවන් දෙකෙන්ම ඔබට විශාල සහයෝගයක් සහ යාවත්කාලීන කිරීම් ලබා ගත හැකිය.
මූලික ලක්ෂණ
- ඉගෙන ගැනීමට ඉතා පහසු
- GPU සහ CPU සඳහා සහය දක්වයි
- පුස්තකාල දීර්ඝ කිරීමට පොහොසත් API කට්ටලයක්
3. Apache MX Net
එහි ඉහළ පරිමාණය, ඉහළ කාර්ය සාධනය, වේගවත් දෝශ නිරාකරණය සහ උසස් GPU සහාය හේතුවෙන්, මෙම රාමුව Apache විසින් විශාල කාර්මික ව්යාපෘතිවල භාවිතය සඳහා නිර්මාණය කරන ලදී.
MXNet හි Gluon අතුරුමුහුණත ඇතුළත් වන අතර එමඟින් සියලුම නිපුණතා මට්ටම්වල සංවර්ධකයින්ට ඉඩ ලබා දේ ගැඹුරු ඉගෙනීම සමඟ ආරම්භ කරන්න වලාකුළු මත, අන්ත උපාංග මත සහ ජංගම යෙදුම් මත. Gluon කේතයේ පේළි කිහිපයකින්, ඔබට රේඛීය ප්රතිගාමීත්වය, පරිවර්තන ජාල සහ පුනරාවර්තන LSTM සෑදිය හැක. වස්තුව හඳුනාගැනීම, කථන හඳුනාගැනීම, නිර්දේශ කිරීම සහ පුද්ගලීකරණය කිරීම.
MXNet විවිධ උපාංග මත භාවිතා කළ හැකි අතර කිහිපයක් විසින් සහාය දක්වයි ක්රමලේඛන භාෂා Java, R, JavaScript, Scala සහ Go වැනි. එහි ප්රජාව තුළ පරිශීලකයින් සහ සාමාජිකයින් සංඛ්යාව අඩු වුවද, MXNet සතුව හොඳින් ලිඛිත ලියකියවිලි සහ වර්ධනය සඳහා විශාල විභවයක් ඇත, විශේෂයෙන් දැන් Amazon විසින් AWS හි යන්ත්ර ඉගෙනීම සඳහා මූලික මෙවලම ලෙස මෙම රාමුව තෝරාගෙන ඇත.
මූලික ලක්ෂණ
- භාෂා බන්ධන 8 ක්
- බෙදා හරින ලද පුහුණුව, බහු-CPU සහ බහු-GPU පද්ධති සඳහා සහය දක්වයි
- දෙමුහුන් ඉදිරිපස අන්තය, අත්යවශ්ය සහ සංකේතාත්මක මාදිලි අතර මාරු වීමට ඉඩ සලසයි
4. මයික්රොසොෆ්ට් සංජානන මෙවලම් කට්ටලය
ඔබ Azure (Microsoft cloud සේවා) මත ධාවනය වන යෙදුම් හෝ සේවා සංවර්ධනය කිරීමට සිතන්නේ නම්, Microsoft Cognitive Toolkit යනු ඔබේ ගැඹුරු ඉගෙනුම් ව්යාපෘති සඳහා තෝරා ගැනීමට ඇති රාමුවයි. මෙය විවෘත මූලාශ්රයක් වන අතර, Python, C++, C#, Java වැනි ක්රමලේඛන භාෂා මගින් සහය දක්වයි. මෙම රාමුව "මිනිස් මොළය මෙන් සිතීමට" නිර්මාණය කර ඇත, එබැවින් එයට වේගවත් පුහුණුවක් සහ අවබෝධාත්මක ගෘහ නිර්මාණ ශිල්පයක් ලබා දෙන අතරම, ව්යුහගත නොකළ දත්ත විශාල ප්රමාණයක් සැකසීමට හැකිය.
මෙම රාමුව තේරීමෙන් - Skype, Xbox, සහ Cortana පිටුපස ඇති එකම එක - ඔබට ඔබේ යෙදුම් වලින් හොඳ කාර්ය සාධනයක්, පරිමාණයක් සහ Azure සමඟ සරල ඒකාබද්ධතාවයක් ලැබෙනු ඇත. කෙසේ වෙතත්, TensorFlow හෝ PyTorch හා සසඳන විට, එහි ප්රජාවේ සාමාජිකයින් සංඛ්යාව සහ සහාය අඩු වේ.
පහත වීඩියෝව සම්පූර්ණ හැඳින්වීමක් සහ යෙදුම් උදාහරණ ඉදිරිපත් කරයි:
මූලික ලක්ෂණ
- ප්රලේඛනය හිස් කරන්න
- Microsoft කණ්ඩායමෙන් සහාය
- සෘජු ප්රස්ථාර දෘශ්යකරණය
5. කෙරස්
PyTorch මෙන්, Keras යනු දත්ත තීව්ර ව්යාපෘති සඳහා පයිතන් මත පදනම් වූ පුස්තකාලයකි. keras API ඉහළ මට්ටමකින් ක්රියා කරන අතර TensorFlow, Theano, සහ Microsoft Cognitive Toolkit වැනි පහත් මට්ටමේ API සමඟ ඒකාබද්ධ වීමට ඉඩ සලසයි.
keras භාවිතා කිරීමේ සමහර වාසි වන්නේ එහි ඉගෙනීමට ඇති සරලත්වයයි - ගැඹුරු ඉගෙනීමේ ආරම්භකයින් සඳහා නිර්දේශිත රාමුව වීම; එහි යෙදවීමේ වේගය; පයිතන් ප්රජාවෙන් සහ එය ඒකාබද්ධ වී ඇති අනෙකුත් රාමු වල ප්රජාවන්ගෙන් විශාල සහයෝගයක් ඇත.
Keras හි විවිධ ක්රියාත්මක කිරීම් අඩංගු වේ ස්නායු ජාල ගොඩනැගීමේ කොටස් ස්ථර, වෛෂයික ශ්රිත, සක්රීය කිරීමේ ශ්රිත සහ ගණිතමය ප්රශස්තකාරක වැනි. එහි කේතය GitHub හි සත්කාරකත්වය දරන අතර සංසද සහ Slack ආධාරක නාලිකාවක් ඇත. සම්මතයට සහාය වීමට අමතරව ස්නායු ජාල, Keras Convolutional Neural Networks සහ Recurrent Neural Networks සඳහා සහය ලබා දෙයි.
Keras ඉඩ දෙයි ගැඹුරු ඉගෙනුම් ආකෘති iOS සහ Android යන දෙකෙහිම ස්මාර්ට්ෆෝන් මත, Java Virtual Machine මත හෝ වෙබය මත ජනනය කිරීමට. ග්රැෆික් සැකසුම් ඒකක (GPU) සහ ටෙන්සර් සැකසුම් ඒකක (TPU) පොකුරු මත ගැඹුරු ඉගෙනුම් ආකෘති බෙදා හැරීමට ද එය ඉඩ දෙයි.
මූලික ලක්ෂණ
- පූර්ව පුහුණු ආකෘති
- බහු පසුබිම් සහාය
- පරිශීලක-හිතකාමී සහ විශාල ප්රජා සහාය
6. Apple Core ML
Core ML එහි පරිසර පද්ධතියට සහය දැක්වීම සඳහා Apple විසින් සංවර්ධනය කරන ලදී - IOS, Mac OS, සහ iPad OS. එහි API අඩු මට්ටමක ක්රියා කරයි, CPU සහ GPU හි සම්පත් හොඳින් භාවිතා කරයි, එමඟින් නිර්මාණය කරන ලද ආකෘති සහ යෙදුම් අන්තර්ජාල සම්බන්ධතාවයක් නොමැතිව පවා ධාවනය කිරීමට ඉඩ සලසයි, එමඟින් උපාංගයේ “මතක අඩිපාර” සහ බල පරිභෝජනය අඩු කරයි.
Core ML මෙය ඉටු කරන ආකාරය හරියටම iphones/ipads මත ධාවනය කිරීම සඳහා ප්රශස්ත කර ඇති තවත් යන්ත්ර ඉගෙනුම් පුස්තකාලයක් සෑදීමෙන් නොවේ. ඒ වෙනුවට, Core ML යනු වෙනත් යන්ත්ර ඉගෙනුම් මෘදුකාංග සමඟ ප්රකාශිත ආකෘති පිරිවිතර සහ පුහුණු පරාමිති ගෙන එය iOS යෙදුමක් සඳහා සම්පතක් බවට පත් කරන ගොනුවක් බවට පරිවර්තනය කරන සම්පාදකයක් වැනි ය. Core ML ආකෘතියකට මෙම පරිවර්තනය සිදු වන්නේ යෙදුම් සංවර්ධනයේදී මිස යෙදුම භාවිතා වන තත්ය කාලීනව නොවේ, සහ coremltools python පුස්තකාලය මඟින් පහසුකම් සපයයි.
Core ML පහසු ඒකාබද්ධතාවයකින් වේගවත් කාර්ය සාධනයක් ලබා දෙයි යන්ත්ර ඉගෙනීම යෙදුම් බවට ආකෘති. එය ස්ථර වර්ග 30කට අධික ප්රමාණයක් සමඟින් ගැඹුරු ඉගෙනීමට සහය වන අතර, තීරණ ගස්, ආධාරක දෛශික යන්ත්ර, සහ රේඛීය ප්රතිගාමී ක්රම, මේ සියල්ල ලෝහ සහ ත්වරණය වැනි පහත් මට්ටමේ තාක්ෂණයන් මත ගොඩනගා ඇත.
මූලික ලක්ෂණ
- යෙදුම් වලට ඒකාබද්ධ කිරීම පහසුය
- අන්තර්ජාල ප්රවේශය අවශ්ය නොවන දේශීය සම්පත් ප්රශස්ත ලෙස භාවිතා කිරීම
- පුද්ගලිකත්වය: දත්ත උපාංගයෙන් ඉවත් විය යුතු නැත
7. ONNX
අපගේ ලැයිස්තුවේ අවසාන රාමුව ONNX වේ. විවිධ රාමු, මෙවලම්, ධාවන කාල සහ සම්පාදක අතර ආකෘති මාරු කිරීමේ සහ ගොඩනැගීමේ ක්රියාවලිය සරල කිරීමේ අරමුණින් මෙම රාමුව Microsoft සහ Facebook අතර සහයෝගීතාවයකින් මතු විය.
Microsoft Cognitive Toolkit, MXNet, Caffe සහ (පරිවර්තක භාවිතා කරමින්) Tensorflow සහ Core ML වැනි පහත් මට්ටමේ API වල ප්රතිලාභ භාවිතා කරන අතරම, ONNX බහු වේදිකා මත ධාවනය කළ හැකි පොදු ගොනු වර්ගයක් නිර්වචනය කරයි. ONNX පිටුපස ඇති මූලධර්මය වන්නේ තොගයක් මත ආකෘතියක් පුහුණු කිරීම සහ වෙනත් නිගමන සහ අනාවැකි භාවිතයෙන් එය ක්රියාත්මක කිරීමයි.
LF AI පදනම, Linux පදනමේ උප-සංවිධානය, සහයෝගය සඳහා පරිසර පද්ධතියක් ගොඩනැගීමට කැප වූ සංවිධානයකි. විවෘත කේතය කෘතිම බුද්ධිය (AI), යන්ත්ර ඉගෙනීම (ML) සහ ගැඹුරු ඉගෙනීම (DL) හි නවෝත්පාදනය. එය 14 නොවැම්බර් 2019 වැනි දින උපාධි මට්ටමේ ව්යාපෘතියක් ලෙස ONNX එක් කළේය. LF AI පදනමේ කුඩය යටතේ ONNX හි මෙම පියවර ONNX වෙළෙන්දා-උදාසීන විවෘත ආකෘති ප්රමිතියක් ලෙස ස්ථාපිත කිරීමේ වැදගත් සන්ධිස්ථානයක් ලෙස සැලකේ.
ONNX ආදර්ශ සත්වෝද්යානය යනු ONNX ආකෘතියෙන් ලබා ගත හැකි ගැඹුරු ඉගෙනීමේ පෙර-පුහුණු ආකෘති එකතුවකි. එක් එක් ආකෘතිය සඳහා ඇත Jupyter සටහන් පොත් ආදර්ශ පුහුණුව සහ පුහුණු ආකෘතිය සමඟ අනුමාන කිරීම සඳහා. සටහන් පොත් පයිතන් වලින් ලියා ඇති අතර ඒවාට සබැඳි අඩංගු වේ පුහුණු දත්ත කට්ටලය සහ ආදර්ශ ගෘහ නිර්මාණ ශිල්පය විස්තර කරන මුල් විද්යාත්මක ලේඛනයට යොමු කිරීම්.
මූලික ලක්ෂණ
- රාමු අන්තර් ක්රියාකාරී හැකියාව
- දෘඪාංග ප්රශස්තකරණය
නිගමනය
මෙය හොඳම රාමු වල සාරාංශයකි ගැඹුරු ඉගෙනුම. මේ සඳහා නොමිලේ හෝ ගෙවන රාමු කිහිපයක් තිබේ. ඔබේ ව්යාපෘතිය සඳහා හොඳම දේ තෝරා ගැනීමට, ඔබ ඔබේ යෙදුම සංවර්ධනය කරන්නේ කුමන වේදිකාව සඳහාද යන්න පළමුව දැන ගන්න.
TensorFlow සහ Keras වැනි සාමාන්ය රාමු ආරම්භ කිරීමට හොඳම විකල්ප වේ. නමුත් ඔබට OS හෝ උපාංග විශේෂිත වාසි භාවිතා කිරීමට අවශ්ය නම්, Core ML සහ Microsoft Cognitive Toolkit හොඳම විකල්පයන් විය හැකිය.
මෙම ලැයිස්තුවේ සඳහන් කර නොමැති Android උපාංග, වෙනත් යන්ත්ර සහ විශේෂිත අරමුණු ඉලක්ක කරගත් වෙනත් රාමු තිබේ. අවසාන කණ්ඩායම ඔබට කැමති නම්, Google හෝ වෙනත් යන්ත්ර ඉගෙනුම් අඩවි වල ඔවුන්ගේ තොරතුරු සෙවීමට අපි යෝජනා කරමු.
ඔබමයි