Një kornizë për të mësuarit e thellë përbëhet nga një kombinim i ndërfaqeve, bibliotekave dhe mjeteve për të përcaktuar dhe trajnuar shpejt dhe saktë modelet e Mësimit të Makinerisë.
Për shkak se mësimi i thellë përdor një sasi të madhe të dhënash të pastrukturuara dhe jo tekstuale, ju nevojitet një kornizë që kontrollon ndërveprimin midis "shtresave" dhe e bën zhvillimin e modelit të shpejtë duke mësuar nga të dhënat hyrëse dhe duke marrë vendime autonome.
Nëse jeni të interesuar të mësoni rreth mësimit të thellë në 2021, merrni parasysh përdorimin e një prej kornizave të treguara më poshtë. Mos harroni të zgjidhni atë që do t'ju ndihmojë të arrini qëllimet dhe vizionin tuaj.
1. TensorFlow
Kur flasim për të mësuarit e thellë, TensorFlow është shpesh korniza e parë e përmendur. Shumë popullor, ky kuadër nuk përdoret vetëm nga Google – kompania përgjegjëse për krijimin e tij – por edhe nga kompani të tjera si Dropbox, eBay, Airbnb, Nvidia dhe shumë të tjera.
TensorFlow mund të përdoret për të zhvilluar API të nivelit të lartë dhe të ulët, duke ju lejuar të ekzekutoni aplikacione pothuajse në çdo lloj pajisjeje. Megjithëse Python është gjuha e tij kryesore, ndërfaqja e Tensoflow mund të aksesohet dhe kontrollohet duke përdorur gjuhë të tjera programimi si C++, Java, Julia dhe JavaScript.
Duke qenë me burim të hapur, TensorFlow ju lejon të bëni disa integrime me API të tjera dhe të merrni mbështetje dhe përditësime të shpejta nga komuniteti. Mbështetja e tij në "grafikë statikë" për llogaritje ju lejon të bëni llogaritjet e menjëhershme ose të ruani operacionet për akses në një moment tjetër. Këto arsye, të shtuara në mundësinë që ju mund të "shikoni" zhvillimin e rrjetit tuaj nervor përmes TensorBoard, e bëjnë TensorFlow kornizën më të njohur për të mësuarit e thellë.
Key Features
- Burim të hapur
- Fleksibiliteti
- Korrigjimi i shpejtë
2. PyTorch
PyTorch është një kornizë e zhvilluar nga Facebook për të mbështetur funksionimin e shërbimeve të saj. Që kur u bë me burim të hapur, kjo kornizë është përdorur nga kompani të tjera përveç Facebook, si Salesforce dhe Udacity.
Ky kuadër funksionon grafikë të përditësuar dinamikisht, duke ju lejuar të bëni ndryshime në arkitekturën e të dhënave tuaja ndërsa e përpunoni atë. Me PyTorch është më e thjeshtë për të zhvilluar dhe trajnuar një rrjet nervor, edhe pa ndonjë përvojë në të mësuarit e thellë.
Duke qenë me burim të hapur dhe të bazuar në Python, ju mund të bëni integrime të thjeshta dhe të shpejta në PyTorch. Është gjithashtu një kornizë e thjeshtë për të mësuar, përdorur dhe korrigjuar. Nëse keni pyetje, mund të mbështeteni në mbështetjen dhe përditësimet e shkëlqyera nga të dy komunitetet - komuniteti Python dhe komuniteti PyTorch.
Key Features
- Lehtë për të mësuar
- Mbështet GPU dhe CPU
- Një grup i pasur API-sh për të zgjeruar bibliotekat
3. Apache MX Net
Për shkak të shkallëzueshmërisë së lartë, performancës së lartë, zgjidhjes së shpejtë të problemeve dhe mbështetjes së avancuar të GPU-së, kjo kornizë u krijua nga Apache për t'u përdorur në projekte të mëdha industriale.
MXNet përfshin ndërfaqen Gluon që lejon zhvilluesit e të gjitha niveleve të aftësive filloni me të mësuarit e thellë në cloud, në pajisjet e skajshme dhe në aplikacionet celulare. Në vetëm disa rreshta të kodit Gluon, mund të ndërtoni regresion linear, rrjete konvolucionare dhe LSTM të përsëritura për zbulimi i objektit, njohja e të folurit, rekomandimi dhe personalizimi.
MXNet mund të përdoret në pajisje të ndryshme dhe mbështetet nga disa gjuhë programimi të tilla si Java, R, JavaScript, Scala dhe Go. Megjithëse numri i përdoruesve dhe anëtarëve në komunitetin e tij është i ulët, MXNet ka dokumentacion të shkruar mirë dhe potencial të madh për rritje, veçanërisht tani që Amazon e ka zgjedhur këtë kornizë si mjetin kryesor për Mësimin e Makinerisë në AWS.
Key Features
- 8 lidhje gjuhësore
- Trajnim i shpërndarë, duke mbështetur sistemet me shumë CPU dhe multi-GPU
- Pjesa e përparme hibride, duke lejuar kalimin midis modaliteteve imperative dhe simbolike
4. Paketa e Njohurive e Microsoft-it
Nëse po mendoni të zhvilloni aplikacione ose shërbime që funksionojnë në Azure (shërbimet cloud të Microsoft), Paketa e Veglave Njohëse e Microsoft është kuadri për të zgjedhur për projektet tuaja të të mësuarit të thellë. Ky është me burim të hapur dhe mbështetet nga gjuhë programimi si Python, C++, C#, Java, ndër të tjera. Kjo kornizë është krijuar për të "menduar si truri i njeriut", kështu që mund të përpunojë sasi të mëdha të dhënash të pastrukturuara, duke ofruar trajnim të shpejtë dhe një arkitekturë intuitive.
Duke zgjedhur këtë kornizë - të njëjtin pas Skype, Xbox dhe Cortana - do të merrni performancë të mirë nga aplikacionet tuaja, shkallëzueshmëri dhe integrim të thjeshtë me Azure. Sidoqoftë, kur krahasohet me TensorFlow ose PyTorch, numri i anëtarëve në komunitetin dhe mbështetja e tij zvogëlohet.
Videoja e mëposhtme ofron një prezantim të plotë dhe shembuj aplikimi:
Key Features
- Dokumentacioni i qartë
- Mbështetje nga ekipi i Microsoft
- Vizualizimi i drejtpërdrejtë i grafikut
5. Keras
Ashtu si PyTorch, Keras është një bibliotekë e bazuar në Python për projekte me të dhëna intensive. API keras funksionon në një nivel të lartë dhe lejon integrime me API të nivelit të ulët si TensorFlow, Theano dhe Microsoft Cognitive Toolkit.
Disa avantazhe të përdorimit të keras janë thjeshtësia e tij për të mësuar – duke qenë kuadri i rekomanduar për fillestarët në mësimin e thellë; shpejtësia e vendosjes së tij; duke pasur mbështetje të madhe nga komuniteti i python dhe nga komunitetet e kornizave të tjera me të cilat është integruar.
Keras përmban implementime të ndryshme të blloqet e ndërtimit të rrjeteve nervore të tilla si shtresat, funksionet objektive, funksionet e aktivizimit dhe optimizuesit matematikorë. Kodi i tij është pritur në GitHub dhe ka forume dhe një kanal mbështetës Slack. Përveç mbështetjes për standardin rrjetet nervore, Keras ofron mbështetje për Rrjetet Neurale Konvolucionale dhe Rrjetet Neural Rekurente.
Keras lejon modelet e të mësuarit të thellë për t'u gjeneruar në telefonat inteligjentë si në iOS ashtu edhe në Android, në një makinë virtuale Java ose në ueb. Ai gjithashtu lejon përdorimin e trajnimit të shpërndarë të modeleve të të mësuarit të thellë në grupimet e Njësive të Përpunimit Grafik (GPU) dhe Njësive të Përpunimit Tensor (TPU).
Key Features
- Modele të trajnuara paraprakisht
- Mbështetje e shumëfishtë mbështetëse
- Mbështetje miqësore për përdoruesit dhe komuniteti i madh
6. Apple Core ML
Core ML u zhvillua nga Apple për të mbështetur ekosistemin e saj - IOS, Mac OS dhe iPad OS. API-ja e tij funksionon në një nivel të ulët, duke përdorur mirë burimet e CPU-së dhe GPU-së, gjë që lejon modelet dhe aplikacionet e krijuara të vazhdojnë të funksionojnë edhe pa një lidhje interneti, gjë që redukton "gjurmën e kujtesës" dhe konsumin e energjisë së pajisjes.
Mënyra se si Core ML e arrin këtë nuk është saktësisht duke krijuar një bibliotekë tjetër të mësimit të makinerive e cila është e optimizuar për funksionimin në iphone/ipad. Në vend të kësaj, Core ML është më shumë si një përpilues që merr specifikimet e modelit dhe parametrat e trajnuar të shprehura me softuer të tjerë të mësimit të makinerive dhe e konverton atë në një skedar që bëhet një burim për një aplikacion iOS. Ky konvertim në një model Core ML ndodh gjatë zhvillimit të aplikacionit, jo në kohë reale pasi aplikacioni është duke u përdorur dhe lehtësohet nga biblioteka e python coremltools.
Core ML ofron performancë të shpejtë me integrim të lehtë të Mësimi makinë modele në aplikacione. Ai mbështet mësimin e thellë me mbi 30 lloje shtresash, si dhe pemë vendimi, makina vektoriale mbështetëse dhe metoda të regresionit linear, të gjitha të ndërtuara në krye të teknologjive të nivelit të ulët si Metal dhe Accelerate.
Key Features
- Lehtë për t'u integruar në aplikacione
- Përdorimi optimal i burimeve lokale, që nuk kërkon akses në internet
- Privatësia: të dhënat nuk duhet të largohen nga pajisja
7. ONNX
Korniza e fundit në listën tonë është ONNX. Ky kuadër doli nga një bashkëpunim midis Microsoft dhe Facebook, me synimin për të thjeshtuar procesin e transferimit dhe ndërtimit të modeleve midis kornizave, veglave, kohëzgjatjes dhe kompajlerëve të ndryshëm.
ONNX përcakton një lloj skedari të zakonshëm që mund të ekzekutohet në platforma të shumta, ndërsa përdor përfitimet e API-ve të nivelit të ulët si ato nga Microsoft Cognitive Toolkit, MXNet, Caffe dhe (duke përdorur konvertues) Tensorflow dhe Core ML. Parimi pas ONNX është të trajnosh një model në një pirg dhe ta zbatosh atë duke përdorur konkluzione dhe parashikime të tjera.
Fondacioni LF AI, një nën-organizatë e Fondacionit Linux, është një organizatë e dedikuar për ndërtimin e një ekosistemi për të mbështetur burim të hapur risi në inteligjencën artificiale (AI), mësimin e makinerive (ML) dhe mësimin e thellë (DL). Ai shtoi ONNX si një projekt të nivelit të diplomuar më 14 nëntor 2019. Kjo lëvizje e ONNX nën ombrellën e Fondacionit LF AI u pa si një moment historik i rëndësishëm në vendosjen e ONNX si një standard me format të hapur neutral ndaj shitësit.
ONNX Model Zoo është një koleksion modelesh të para-trajnuara në Deep Learning, të disponueshme në formatin ONNX. Për çdo model ka fletoret Jupyter për trajnimin e modelit dhe kryerjen e konkluzioneve me modelin e trajnuar. Fletoret janë shkruar në Python dhe përmbajnë lidhje me të dhënat e trajnimit dhe referenca në dokumentin origjinal shkencor që përshkruan arkitekturën e modelit.
Key Features
- Ndërveprueshmëria e kornizës
- Optimizimi i harduerit
Përfundim
Kjo është një përmbledhje e kornizave më të mira për të mësuarit e thellë. Ekzistojnë disa korniza për këtë qëllim, falas ose me pagesë. Për të zgjedhur më të mirën për projektin tuaj, së pari dini se për cilën platformë do të zhvilloni aplikacionin tuaj.
Kornizat e përgjithshme si TensorFlow dhe Keras janë opsionet më të mira për të filluar. Por nëse keni nevojë të përdorni OS ose avantazhe specifike për pajisjen, atëherë Core ML dhe Microsoft Cognitive Toolkit mund të jenë opsionet më të mira.
Ka korniza të tjera që synojnë pajisjet Android, makina të tjera dhe qëllime specifike që nuk janë përmendur në këtë listë. Nëse grupi i fundit ju intereson, ju sugjerojmë të bëni një kërkim për informacionin e tyre në Google ose në sajte të tjera të mësimit të makinerive.
Lini një Përgjigju