ඔබ මෙය කියවන්නේ නම්, ඔබ දැනටමත් ගැඹුරු ඉගෙනීමේ ගමන ආරම්භ කර ඇති බවට සැකයක් නැත. ඔබ මෙම මාතෘකාවට අලුත් නම්, ගැඹුරු ඉගෙනීම යනු සැබෑ ලෝකයේ ගැටලුවලට මුහුණ දෙන මිනිසා වැනි පරිගණක තැනීම සඳහා කෘතිම ස්නායු ජාල ලෙස හඳුන්වන මොළය වැනි අද්විතීය ව්යුහයන් භාවිතා කරන ඇඩෝනයකි.
මෙම සැලසුම් සංවර්ධනයට සහාය වීම සඳහා, Google, Facebook, සහ Uber වැනි තාක්ෂණික ප්රභූන් විසින් Python ගැඹුරු ඉගෙනුම් පරිසරය සඳහා විවිධ රාමු සකස් කර ඇති අතර, විවිධ ස්නායුක ජාල තේරුම් ගැනීම, නිර්මාණය කිරීම සහ පුහුණු කිරීම පහසු කරයි.
ගැඹුරු ඉගෙනුම් රාමුවක් යනු විද්වතුන් සහ දත්ත විද්යාඥයින් ගැඹුරු ඉගෙනුම් ආකෘති නිර්මාණය කිරීමට සහ පුහුණු කිරීමට භාවිතා කරන මෘදුකාංගයකි.
මෙම රාමු වල පරමාර්ථය වන්නේ පිටුපස ඇති ශිල්පීය ක්රම තේරුම් නොගෙන පුද්ගලයන්ට ඔවුන්ගේ ආකෘති පුහුණු කිරීමට හැකි වීමයි. ගැඹුරු ඉගෙනුම, ස්නායුක ජාල, සහ යන්ත්ර ඉගෙනීම.
ඉහළ මට්ටමේ ක්රමලේඛන අතුරු මුහුණතක් හරහා, මෙම රාමු ආකෘති ගොඩනැගීම, පුහුණු කිරීම සහ සත්යාපනය කිරීම සඳහා ගොඩනැඟිලි කොටස් සපයයි.
PyTorch සඳහා විකල්ප ලෙස අපි TensorFlow, Keras, Apache MXNet, Microsoft CNTK, සහ DeepLearing4j දෙස බලමු, එය බහුලව භාවිතා වේ. ගැඹුරු ඉගෙනුම් රාමුව.
Pytorch යනු කුමක්ද?
පයිටෝර්ච් යනු Torch Python පුස්තකාලය සමඟින් ගොඩනගා ඇති නිදහස්, විවෘත මූලාශ්ර යන්ත්ර ඉගෙනුම් පුස්තකාලයකි.
එය Facebook හි AI පර්යේෂණ කණ්ඩායම විසින් නිර්මාණය කරන ලද අතර පරිගණක දැක්ම, ගැඹුරු ඉගෙනීම සහ ස්වභාවික භාෂා සැකසීමේ යෙදුම් සමඟ 2016 ජනවාරි මාසයේදී නොමිලේ සහ විවෘත මූලාශ්ර පුස්තකාලයක් ලෙස ප්රකාශයට පත් කරන ලදී.
එහි අනිවාර්ය සහ Pythonic ක්රමලේඛන භාෂාවක් ඇති අතර එය ආකෘතියක් ලෙස කේතයට සහය දක්වයි, දෝෂහරණයට පහසුකම් සපයයි, සහ අනෙකුත් ජනප්රිය විද්යාත්මක පරිගණක පුස්තකාල සමඟ අනුකූල වේ, සියල්ල කාර්යක්ෂමව පවතින අතරම GPU වැනි දෘඪාංග ත්වරක සක්රීය කරයි.
PyTorch ගැඹුරු ඉගෙනුම් පර්යේෂකයන් අතර ජනප්රියත්වය වර්ධනය වී ඇත්තේ එහි උපයෝගීතාවය සහ සම්පූර්ණ කාර්ය සාධන සලකා බැලීම් කෙරෙහි අවධානය යොමු කිරීම හේතුවෙනි.
එහි මූලික දත්ත ව්යුහයක්, Tensor අඩංගු වේ, එය Numpy arrays හා සමාන බහු-මාන අරාවක් වන අතර, එමඟින් ක්රමලේඛකයින්ට සංකීර්ණ එකක් පහසුවෙන් නිර්මාණය කිරීමට ඉඩ සලසයි. ස්නායු ජාලය.
එහි නම්යශීලී බව, වේගය සහ ක්රියාත්මක කිරීමේ පහසුව හේතුවෙන් එය වර්තමාන අංශවල සහ ශාස්ත්රීය ප්රජාව තුළ වඩාත් ජනප්රිය වෙමින් පවතින අතර එය වඩාත් ජනප්රිය ගැඹුරු ඉගෙනුම් මෙවලමක් බවට පත් කරයි.
Pytorch ප්රධාන විශේෂාංග
- PyTorch යනු Python-centric, හෝ "pythonic" වේ, එය වෙනත් භාෂාවකින් සංවර්ධනය කරන ලද පුස්තකාලයකට අතුරු මුහුණතක් ලෙස සේවය කරනවාට වඩා Python ක්රමලේඛනය සමඟ ගැඹුරින් ඒකාබද්ධ කිරීම සඳහා අදහස් කෙරේ.
- ඉගෙනීමට සරලයි - PyTorch සාම්ප්රදායික ක්රමලේඛනයට සමාන ව්යුහයක් අනුගමනය කරන අතර සංවර්ධක ප්රජාව සෑම විටම එය වැඩිදියුණු කිරීමට උත්සාහ කරමින් ඉතා සූක්ෂම ලෙස ලේඛනගත කර ඇත. එබැවින් ක්රමලේඛකයින්ට සහ ක්රමලේඛක නොවන අයට ඉගෙනීම සරල ය.
- PyTorch හට CPU කිහිපයකට හෝ පරිගණක වැඩ බෙදිය හැක දක්වන GPU දත්ත සමාන්තර හැකියාව භාවිතා කරන හරය. වෙනත් යන්ත්ර ඉගෙනීමේ ක්රම සමඟ සමාන සමාන්තරකරණයක් ඉටු කළ හැකි වුවද, PyTorch එය වඩාත් පහසු කරයි.
- නිදොස්කරණය: PyTorch නිදොස් කිරීම සඳහා පුළුල් ලෙස ප්රවේශ විය හැකි Python නිදොස් කිරීමේ මෙවලම් වලින් එකක් (උදාහරණයක් ලෙස, Python's pdb සහ ipdb මෙවලම්) භාවිතා කළ හැක.
- PyTorch ගතික පරිගණක ප්රස්ථාර සඳහා සහය දක්වයි, එයින් ඇඟවෙන්නේ ධාවන කාලය තුළ ජාලයේ හැසිරීම ගතිකව වෙනස් කළ හැකි බවයි.
- PyTorch වැනි විශේෂයෙන් නිර්මාණය කරන ලද විවිධ මොඩියුල සමඟ පැමිණේ torchtext, torchvision සහ torchaudio, NLP, පරිගණක දැක්ම සහ හඬ සැකසීම වැනි ගැඹුරු ඉගෙනීමේ විවිධ ක්ෂේත්ර සමඟ කටයුතු කිරීමට එය භාවිතා කළ හැක.
Pytorch සීමාවන්
- සීමිත නිරීක්ෂණ සහ දෘශ්යකරණ අතුරුමුහුණත්: TensorFlow හට ආදර්ශ ප්රස්ථාරය (TensorBoard) ජනනය කිරීම සඳහා ප්රබල දෘශ්යකරණ මෙවලමක් ඇතුළත් වන අතර, PyTorch හි දැනට මෙම විශේෂාංගය නොමැත. එහි ප්රතිඵලයක් වශයෙන්, සංවර්ධකයින්ට TensorBoard වෙත බාහිරව සම්බන්ධ වීමට හෝ පවතින බොහෝ පයිතන් වලින් එකක් භාවිතා කිරීමට හැකිය. දත්ත දෘශ්යකරණ මෙවලම්.
- PyTorch යනු අන්තයේ සිට අවසානය නොවේ යන්ත්ර ඉගෙනීම සංවර්ධන වේදිකාව; එය සේවාදායක, වැඩපොළවල් සහ ජංගම උපාංග වෙත යෙදුම් යොදවයි.
මෙම සියලු හේතු නිසා, Pytorch සඳහා හොඳම විකල්පයන් සෙවීම ඥානවන්ත තීරණයක් වනු ඇත.
වඩාත් ජනප්රිය Pytorch විකල්ප
Pytorch සඳහා හොඳම විකල්ප ලැයිස්තුව මෙන්න.
1. Tensorflow
TensorFlow Google විසින් නිර්මාණය කරන ලද ගැඹුරු ඉගෙනුම් කේන්ද්රීය, විවෘත මූලාශ්ර රාමුවකි. එය සම්මතයට ද සහාය වේ යන්ත්ර ඉගෙනීම. TensorFlow නිර්මාණය කර ඇත්තේ ගැඹුරු ඉගෙනීමකට වඩා විශාල සංඛ්යාත්මක ගණනය කිරීම් මනසේ තබාගෙන ය.
තවද, එය ගැඹුරු ඉගෙනුම් සංවර්ධනය සඳහා ද ඉතා වටිනා බව ඔප්පු විය, එබැවින් Google එය නොමිලේ ලබා ගත හැකි විය. TensorFlow ටෙන්සර් ලෙස හඳුන්වන විශාල මානයන් සහිත බහු-මාන අරා ආකාරයෙන් දත්ත ලබා ගනී. අතිවිශාල දත්ත පරිමාවන් සමඟ කටයුතු කරන විට, බහු-මාන අරාවන් ප්රයෝජනවත් වේ.
TensorFlow නෝඩ් දාර දත්ත ප්රවාහ ප්රස්ථාර මත පදනම් වේ. ක්රියාත්මක කිරීමේ ක්රමය ප්රස්ථාරවල ස්වරූපය ගන්නා බැවින්, GPU භාවිතා කරන අතරතුර පරිගණක පොකුරක් හරහා TensorFlow කේතය ක්රියාත්මක කිරීම වඩාත් පහසු වේ.
C#, Haskell, Julia, R, Ruby, Rust, සහ Scala TensorFlow හි ප්රජාව විසින් සහාය නිර්මාණය කර ඇති භාෂා අතර වේ. TensorFlow ප්රවේශ ස්ථාන විශාල සංඛ්යාවක් තිබීමේ ප්රතිලාභය ලබා දෙයි.
භාෂා හැරුණු විට, TensorFlow එය සමඟ සම්බන්ධ වන හෝ එය මත ගොඩනගා ඇති මෙවලම් විශාල පරාසයක් ඇත.
වාසි
- එය පරිශීලක-හිතකාමී ය. ඔබ Python ගැන හුරුපුරුදු නම්, එය ලබා ගැනීම සරල වනු ඇත.
- ප්රජාවෙන් සහයෝගය. TensorFlow Google සහ අනෙකුත් සංවිධානවල ප්රවීණ සංවර්ධකයින් විසින් ප්රායෝගිකව සෑම දිනකම වැඩිදියුණු කරනු ලැබේ.
- ජංගම උපාංග මත TensorFlow මාදිලි ක්රියාත්මක කිරීමට TensorFlow Lite භාවිතා කළ හැක.
- ටෙන්සර්බෝඩ් යනු නිරීක්ෂණ සඳහා මෙවලමකි දත්ත දෘශ්යමාන කිරීම. ඔබට ඔබගේ ගැඹුරු ඉගෙනුම් ආකෘති ක්රියාවෙන් නැරඹීමට අවශ්ය නම්, මෙය භාවිතා කිරීමට විශිෂ්ට මෙවලමකි.
- Tensorflow.js ඔබට බ්රවුසරයේ තත්ය කාලීන ගැඹුරු ඉගෙනුම් ආකෘති ධාවනය කිරීමට JavaScript භාවිතා කිරීමට ඉඩ සලසයි.
අවාසි
- TensorFlow හට අද්විතීය ව්යුහයක් ඇත, එය දෝෂ සොයා ගැනීම සහ නිදොස් කිරීම අපහසු කරයි.
- OpenCL සහාය නොමැත.
- TensorFlow වින්ඩෝස් මෙහෙයුම් පද්ධතිය භාවිතා කරන්නන් සඳහා බොහෝ හැකියාවන් ලබා නොදේ. එය ලිනක්ස් භාවිතා කරන්නන් සඳහා බොහෝ හැකියාවන් විවෘත කරයි. කෙසේ වෙතත්, Windows භාවිතා කරන්නන්ට anaconda prompt හෝ pip පැකේජය භාවිතයෙන් TensorFlow බාගත කළ හැක.
- TensorFlow අවිනිශ්චිත අනුපිළිවෙල සඳහා සංකේතාත්මක ලූප පිරිනැමීම සම්බන්ධයෙන් පසුගාමී වේ. එය භාවිතා කළ හැකි පද්ධතියක් බවට පත් කරමින්, විශේෂිත අනුපිළිවෙල සඳහා නිශ්චිත භාවිතයක් ඇත. එහි ප්රතිඵලයක් ලෙස එය පහත් මට්ටමේ API එකක් ලෙස සැලකේ.
2. කෙරස්
කෙරස් පයිතන් මත පදනම් වූ ගැඹුරු ඉගෙනුම් පුස්තකාලයක් වන අතර එය අනෙකුත් ගැඹුරු ඉගෙනුම් රාමු වලින් වෙන්කර හඳුනා ගනී.
එය a යන්න නිර්වචනය කරන ඉහළ මට්ටමේ ක්රමලේඛන භාෂාවකි ස්නායු ජාලය API අර්ථ දැක්වීම. එය පරිශීලක අතුරුමුහුණතක් ලෙසත් එය ක්රියාත්මක වන ගැඹුරු ඉගෙනුම් රාමු වල හැකියාවන් වැඩිදියුණු කිරීමටත් භාවිතා කළ හැක.
එය සැහැල්ලු හා භාවිතයට පහසු අවම රාමුවකි. මෙම හේතු නිසා, Keras TensorFlow හි මූලික API හි කොටසකි. Keras ඉදිරිපස අන්තයක් පර්යේෂණයේදී ස්නායුක ජාල ආකෘතිවල වේගවත් මූලාකෘති කිරීමට ඉඩ සලසයි.
ආකෘති රාමු අතර පහසුවෙන් මාරු කිරීමට ඉඩ සලසන අමතර ප්රසාද දීමනාව සමඟ API ග්රහණය කර ගැනීමට සහ භාවිතා කිරීමට සරල ය.
වාසි
- Keras API භාවිතා කිරීම සරලයි. API හොඳින් සැලසුම් කර ඇති, වස්තු-නැඹුරු, සහ අනුවර්තනය කළ හැකි අතර, එහි ප්රතිඵලයක් ලෙස වඩාත් ප්රියජනක පරිශීලක අත්දැකීමක් ලැබේ.
- බෙදා හරින ලද පුහුණුව සහ බහු-GPU සමාන්තරකරණය සඳහා සහාය ගොඩනගා ඇත.
- Keras යනු සම්පූර්ණ පයිතන් දත්ත විද්යා පරිසරයට සරල ප්රවේශයක් සපයන පයිතන් ස්වදේශීය මොඩියුලයකි. උදාහරණයක් ලෙස, Keras ආකෘති, Python scikit-Learn API භාවිතයෙන් භාවිතා කළ හැක.
- Keras ගැඹුරු ඉගෙනුම් ආකෘති කිහිපයක් සඳහා පූර්ව-පුහුණු බර ඇතුළත් වේ. අනාවැකි කිරීමට හෝ විශේෂාංග උපුටා ගැනීමට අපට මෙම ආකෘති කෙලින්ම භාවිතා කළ හැකිය.
අවාසි
- පහළ මට්ටමේ පසුබිම් ගැටළු නිතිපතා ලබා ගැනීම ඇදහිය නොහැකි තරම් කරදරකාරී විය හැකිය. කේරස් ඉටු කිරීමට අදහස් නොකළ කාර්යයන් කිරීමට අප උත්සාහ කරන විට මෙම ගැටළු මතු වේ.
- එහි පසුපෙළ හා සසඳන විට, එය GPU වල මන්දගාමී විය හැකි අතර ගණනය කිරීමට වැඩි කාලයක් ගතවේ. එහි ප්රතිඵලයක් වශයෙන්, පරිශීලක-හිතකාමීත්වය සඳහා අපට වේගය සම්මුතියක් ඇති කර ගැනීමට සිදු විය හැකිය.
- Sci-kit-learn වැනි අනෙකුත් පැකේජ සමඟ සසඳන විට, Keras දත්ත-පෙර සැකසුම් හැකියාවන් එතරම් ආකර්ෂණීය නොවේ.
3. Apache MX Net
තවත් කැපී පෙනෙන කෙනෙක් ගැඹුරු ඉගෙනුම් රාමුව MXNet වේ. Apache Software Foundation විසින් නිර්මාණය කරන ලද MXNet, JavaScript, Python සහ C++ ඇතුළු විවිධ භාෂා සඳහා සහය දක්වයි.
Amazon Web Services ද ගැඹුරු ඉගෙනුම් ආකෘති සංවර්ධනය සඳහා MXNet සඳහා සහය දක්වයි. එය අතිශයින් පරිමාණය කළ හැකි, ඉක්මන් ආකෘති පුහුණුව සඳහා ඉඩ සලසයි, සහ එය විවිධ පරිගණක භාෂා සමඟ අනුකූල වේ.
වේගය සහ ඵලදායිතාව ප්රශස්ත කිරීම සඳහා, MXNet ඔබට සංකේතාත්මක සහ අනිවාර්ය ක්රමලේඛන භාෂා මිශ්ර කිරීමට ඉඩ සලසයි. එය තත්ය කාලීන සංකේතාත්මක සහ අත්යවශ්ය ක්රියාකාරකම් සමාන්තරගත කරන ගතික යැපුම් කාලසටහනක් මත පදනම් වේ.
ඊට ඉහළින්, ප්රස්ථාර ප්රශස්තිකරණ ස්ථරයක් සංකේතාත්මක ක්රියාව වේගවත් කරයි සහ මතකය ආර්ථිකමය කරයි. MXNet යනු අතේ ගෙන යා හැකි සහ සැහැල්ලු පුස්තකාලයකි.
එය NVIDIA PascalTM GPU මගින් බල ගැන්වෙන අතර GPU සහ නෝඩ් කිහිපයක් හරහා පරිමාණය කළ හැකි අතර, ඔබට ආකෘති වඩා ඉක්මනින් පුහුණු කිරීමට ඉඩ සලසයි.
වාසි
- GPU සඳහා සහය දක්වන අතර බහු GPU මාදිලියක් ඇත.
- කාර්යක්ෂම, පරිමාණය කළ හැකි සහ අකුණු වේගයෙන්.
- සියලුම ප්රධාන වේදිකාවන් ඇත.
- ආදර්ශ සේවා සරල වන අතර API වේගවත් වේ.
- Scala, R, Python, C++, සහ JavaScript සහාය දක්වන ක්රමලේඛන භාෂා අතර වේ.
අවාසි
- MXNet කුඩා එකක් ඇත විවෘත කේතයකි TensorFlow වලට වඩා ප්රජාව.
- සැලකිය යුතු ප්රජා සහයෝගයක් නොමැතිකම හේතුවෙන් වැඩිදියුණු කිරීම්, දෝෂ නිවැරදි කිරීම් සහ අනෙකුත් වැඩිදියුණු කිරීම් ක්රියාත්මක කිරීමට වැඩි කාලයක් ගතවේ.
- MxNet, තොරතුරු තාක්ෂණ කර්මාන්තයේ බොහෝ සමාගම් විසින් පුළුල් ලෙස සේවයේ යොදවා ඇතත්, Tensorflow තරම් ප්රසිද්ධ නැත.
4. Microsoft CNTK
Microsoft Cognitive Toolkit (CNTK) බෙදා හරින ලද ගැඹුරු ඉගෙනීම සඳහා වාණිජමය වශයෙන් ශක්ය විවෘත මූලාශ්ර රාමුවකි. එය සාමාන්යයෙන් නිර්මාණය කිරීමට භාවිතා කරයි ස්නායු ජාල, නමුත් යන්ත්ර ඉගෙනීම සහ සංජානන පරිගණනය සඳහා ද භාවිතා කළ හැක.
එය විවිධ භාෂා සඳහා සහය දක්වන අතර වලාකුළෙහි භාවිතා කිරීමට පහසුය. මෙම ගුණාංග නිසා, CNTK විවිධ AI යෙදුම් සඳහා සුදුසු වේ. C++ භාවිතා කර එහි ක්රියාකාරීත්වයන් ක්රියාත්මක කළ හැකි වුවද, වඩාත් පොදු විකල්පය වන්නේ Python වැඩසටහනක් භාවිතා කිරීමයි.
පරිගණක කිහිපයක ක්රියාත්මක වන විට, මයික්රොසොෆ්ට් සංජානන මෙවලම් කට්ටලය Theano හෝ TensorFlow වැනි මෙවලම් කට්ටලවලට වඩා හොඳ කාර්ය සාධනයක් සහ පරිමාණයක් ලබා දෙන බව හඳුනාගෙන ඇත.
මයික්රොසොෆ්ට් සංජානන මෙවලම් කට්ටලය RNN සහ CNN ස්නායු ආකෘති දෙකටම සහය දක්වයි, එය රූපය, අත් අකුරු සහ කථන හඳුනාගැනීමේ කාර්යයන් සඳහා සුදුසු වේ.
වාසි
- දත්ත විශ්ලේෂණ එන්ජිමක් වන Apache Spark සමඟ ඒකාබද්ධ වීම සරලයි.
- CNTK හි පරිමාණය බොහෝ ව්යාපාරවල ජනප්රිය තේරීමක් කර ඇත. ප්රශස්ත සංරචක කිහිපයක් තිබේ.
- ස්ථාවර සහ හොඳ කාර්ය සාධනයක් ලබා දෙයි.
- Azure Cloud සමඟ හොඳින් ක්රියා කරයි, ඒ දෙකම Microsoft විසින් සහාය දක්වයි.
- සම්පත් භාවිතය සහ කළමනාකරණය කාර්යක්ෂම වේ.
අවාසි
- Tensorflow හා සසඳන විට, ප්රජා සහයෝගය අඩුයි.
- දැඩි ඉගෙනුම් වක්රයක්.
- එයට දෘශ්යකරණ පුවරුවක් මෙන්ම ARM සහායද නොමැත.
5. DeepLearning4j
Java ඔබේ මූලික ක්රමලේඛන භාෂාව නම්, DeepLearning4j භාවිතා කිරීමට හොඳ රාමුවකි. එය වාණිජ මට්ටමේ සහ විවෘත මූලාශ්ර බෙදා හරින ලද ගැඹුරු ඉගෙනුම් පුස්තකාලයකි.
RNNs සහ CNNs වැනි සියලුම ප්රධාන ස්නායු ජාල සැලසුම් සඳහා සහය දක්වයි. Deeplearning4j යනු ගැඹුරු ඉගෙනීම සඳහා Java සහ Scala පුස්තකාලයකි.
එය Hadoop සහ Apache Spark සමඟද හොඳින් ක්රියා කරයි. Deeplearning4j යනු ජාවා මත පදනම් වූ ගැඹුරු ඉගෙනුම් විසඳුම් සඳහා කදිම විකල්පයකි, මන්ද එය GPU සඳහාද සහය දක්වයි.
Eclipse Deeplearning4j ගැඹුරු ඉගෙනුම් රාමුව සම්බන්ධයෙන් ගත් කල, සමහර කැපී පෙනෙන විශේෂාංග අතර පුනරාවර්තන අඩු කිරීම්, ක්ෂුද්ර සේවා ගෘහ නිර්මාණ අනුවර්තනය සහ බෙදා හරින ලද CPU සහ GPU හරහා සමාන්තර පුහුණුව ඇතුළත් වේ.
වාසි
- එහි විශිෂ්ට ලියකියවිලි සහ ප්රජා උපකාර ඇත.
- Apache Spark ඒකාබද්ධ කිරීම සරලයි.
- එය පරිමාණය කළ හැකි අතර අතිවිශාල දත්ත පරිමාවන් හැසිරවීමේ හැකියාව ඇත.
අවාසි
- Tensorflow සහ PyTorch හා සසඳන විට එය අඩු ජනප්රියයි.
- පවතින එකම ක්රමලේඛන භාෂාව Java වේ.
නිගමනය
හොඳම ගැඹුරු ඉගෙනුම් රාමුව තෝරා ගැනීම දුෂ්කර කාර්යයකි. ඒවායින් බොහොමයක් ඇති බැවින්, ලැයිස්තුව ඉල්ලුමට අනුව වර්ධනය වේ කෘතිම බුද්ධිය පර්යේෂණ සහ යන්ත්ර ඉගෙනුම් යෙදුම් වර්ධනය වේ. සෑම රාමුවකටම තමන්ගේම වාසි සහ අවාසි ඇත.
ආරක්ෂාව, පරිමාණය සහ කාර්ය සාධනය ඇතුළුව සලකා බැලීම් කිහිපයක් සිදු කළ යුතුය. ව්යවසාය-ශ්රේණියේ පද්ධති තුළ, විශ්වසනීයත්වය වඩාත් වැදගත් වේ.
ඔබ දැන් ආරම්භ කරන්නේ නම්, Tensorflow ආරම්භ කිරීමට හොඳ ස්ථානයකි. ඔබ Windows මත පදනම් වූ වාණිජ නිෂ්පාදනයක් සංවර්ධනය කරන්නේ නම් CNTK තෝරන්න. ඔබ ජාවා කැමති නම්, DL4J භාවිතා කරන්න.
ඔබමයි