Преглед садржаја[Сакрити][Прикажи]
Оквир за дубоко учење састоји се од комбинације интерфејса, библиотека и алата за брзо и прецизно дефинисање и обуку модела машинског учења.
Пошто дубоко учење користи велику количину неструктурираних, нетекстуалних података, потребан вам је оквир који контролише интеракцију између „слојева“ и убрзава развој модела учењем из улазних података и доношењем аутономних одлука.
Ако сте заинтересовани да научите о дубоком учењу у 2021, размислите о коришћењу једног од оквира наведених у наставку. Не заборавите да изаберете ону која ће вам помоћи да остварите своје циљеве и визију.
1. ТенсорФлов
Када говоримо о дубоком учењу, ТенсорФлов је често први оквир који се помиње. Веома популаран, овај оквир не користи само Гоогле – компанија одговорна за његово креирање – већ и друге компаније као што су Дропбок, еБаи, Аирбнб, Нвидиа и многе друге.
ТенсорФлов се може користити за развој АПИ-ја високог и ниског нивоа, омогућавајући вам да покренете апликације на скоро свим врстама уређаја. Иако је Питхон његов примарни језик, Тенсофлов интерфејсу се може приступити и контролисати помоћу других програмских језика као што су Ц++, Јава, Јулиа и ЈаваСцрипт.
Будући да је отвореног кода, ТенсорФлов вам омогућава да направите неколико интеграција са другим АПИ-јима и добијете брзу подршку и ажурирања од заједнице. Његово ослањање на „статичке графиконе“ за израчунавање омогућава вам да направите тренутне прорачуне или сачувате операције за приступ у неком другом тренутку. Ови разлози, уз могућност да можете да „гледате“ развој своје неуронске мреже преко ТенсорБоарда, чине ТенсорФлов најпопуларнијим оквиром за дубоко учење.
Кључне карактеристике
- Опен-соурце
- еластичност
- Брзо отклањање грешака
2. ПиТорцх
ПиТорцх је оквир који је развио Фацебоок да подржи рад својих услуга. Откако је постао опен-соурце, овај оквир су користиле и компаније које нису Фацебоок, као што су Салесфорце и Удацити.
Овај оквир управља динамички ажурираним графиконима, омогућавајући вам да уносите промене у архитектуру вашег скупа података док га обрађујете. Са ПиТорцх-ом је једноставније развити и обучити неуронску мрежу, чак и без искуства у дубоком учењу.
Будући да сте отвореног кода и засновани на Питхон-у, можете направити једноставне и брзе интеграције у ПиТорцх. Такође је једноставан оквир за учење, коришћење и отклањање грешака. Ако имате питања, можете рачунати на сјајну подршку и ажурирања обе заједнице – Питхон заједнице и ПиТорцх заједнице.
Кључне карактеристике
- Лако се учи
- Подржава ГПУ и ЦПУ
- Богат скуп АПИ-ја за проширење библиотека
3. Апацхе МКСНет
Због своје високе скалабилности, високих перформанси, брзог решавања проблема и напредне подршке за ГПУ, овај оквир је креирао Апацхе за употребу у великим индустријским пројектима.
МКСНет укључује Глуон интерфејс који омогућава програмерима свих нивоа вештина да започните са дубоким учењем у облаку, на ивичним уређајима и у мобилним апликацијама. У само неколико редова Глуон кода, можете изградити линеарну регресију, конволуционе мреже и рекурентне ЛСТМ за откривање објекта, препознавање говора, препорука и персонализација.
МКСНет се може користити на различитим уређајима и подржава га неколико програмски језици као што су Јава, Р, ЈаваСцрипт, Сцала и Го. Иако је број корисника и чланова у његовој заједници мали, МКСНет има добро написану документацију и велики потенцијал за раст, посебно сада када је Амазон одабрао овај оквир као примарни алат за машинско учење на АВС-у.
Кључне карактеристике
- 8 језичких веза
- Дистрибутед Траининг, подржава мулти-ЦПУ и мулти-ГПУ системе
- Хибридни фронт-енд, који омогућава пребацивање између императивног и симболичког режима
4. Мицрософт когнитивни алат
Ако размишљате о развоју апликација или услуга које раде на Азуре-у (Мицрософт цлоуд услуге), Мицрософт Цогнитиве Тоолкит је оквир за одабир за своје пројекте дубоког учења. Ово је отвореног кода и подржано од програмских језика као што су Питхон, Ц++, Ц#, Јава, између осталих. Овај оквир је дизајниран да „размишља као људски мозак“, тако да може да обрађује велике количине неструктурираних података, док нуди брзу обуку и интуитивну архитектуру.
Избором овог оквира – истог оног који стоји иза Скипе-а, Ксбок-а и Цортане – добићете добре перформансе својих апликација, скалабилност и једноставну интеграцију са Азуре-ом. Међутим, у поређењу са ТенсорФлов или ПиТорцх, број чланова у његовој заједници и подршка су смањени.
Следећи видео нуди комплетан увод и примере примене:
Кључне карактеристике
- Јасна документација
- Подршка Мицрософт тима
- Директна визуелизација графа
5. Керас
Као и ПиТорцх, Керас је библиотека заснована на Питхон-у за пројекте са интензивним подацима. Керас АПИ ради на високом нивоу и омогућава интеграције са АПИ-јима ниског нивоа као што су ТенсорФлов, Тхеано и Мицрософт Цогнитиве Тоолкит.
Неке предности коришћења кераса су његова једноставност за учење – што је препоручени оквир за почетнике у дубоком учењу; његова брзина распоређивања; има велику подршку Питхон заједнице и заједница других оквира са којима је интегрисан.
Керас садржи различите имплементације грађевни блокови неуронских мрежа као што су слојеви, функције циља, функције активације и математички оптимизатори. Његов код се налази на ГитХуб-у, а постоје форуми и Слацк канал за подршку. Поред подршке за стандард неуронске мреже, Керас нуди подршку за конволуционе неуронске мреже и рекурентне неуронске мреже.
Керас дозвољава модели дубоког учења да се генерише на паметним телефонима на иОС-у и Андроид-у, на Јава виртуелној машини или на вебу. Такође омогућава коришћење дистрибуиране обуке модела дубоког учења на кластерима графичких процесорских јединица (ГПУ) и тензорских процесорских јединица (ТПУ).
Кључне карактеристике
- Унапред обучени модели
- Вишеструка подршка у позадини
- Лака за кориснике и велика подршка заједнице
6. Аппле Цоре МЛ
Цоре МЛ је развио Аппле да подржи свој екосистем – ИОС, Мац ОС и иПад ОС. Његов АПИ ради на ниском нивоу, добро искоришћавајући ресурсе ЦПУ-а и ГПУ-а, што омогућава моделима и креираним апликацијама да наставе да раде чак и без интернет везе, што смањује „меморијски отисак“ и потрошњу енергије уређаја.
Начин на који Цоре МЛ то постиже није тако што прави још једну библиотеку машинског учења која је оптимизована за рад на иПхоне/ипад уређајима. Уместо тога, Цоре МЛ је више као компајлер који узима спецификације модела и обучене параметре изражене другим софтвером за машинско учење и претвара их у датотеку која постаје ресурс за иОС апликацију. Ова конверзија у Цоре МЛ модел се дешава током развоја апликације, а не у реалном времену док се апликација користи, а олакшава је питхон библиотека цоремлтоолс.
Цоре МЛ пружа брзе перформансе уз лаку интеграцију Машина учење модела у апликације. Подржава дубоко учење са преко 30 типова слојева, као и стабла одлучивања, машине за подршку векторима и методе линеарне регресије, све изграђено на врху технологија ниског нивоа као што су Метал и Аццелерате.
Кључне карактеристике
- Лако се интегрише у апликације
- Оптимално коришћење локалних ресурса, не захтевајући приступ интернету
- Приватност: подаци не морају да напусте уређај
7. ОННКС
Последњи оквир на нашој листи је ОННКС. Овај оквир је настао из сарадње између Мицрософт-а и Фацебоок-а, са циљем да се поједностави процес преноса и изградње модела између различитих оквира, алата, рунтимеа и компајлера.
ОННКС дефинише уобичајени тип датотеке који може да ради на више платформи, док користи предности АПИ-ја ниског нивоа као што су они из Мицрософт Цогнитиве Тоолкит-а, МКСНет, Цаффе и (користећи конверторе) Тенсорфлов и Цоре МЛ. Принцип иза ОННКС-а је обучити модел на стеку и имплементирати га користећи друге закључке и предвиђања.
ЛФ АИ Фоундатион, подорганизација Линук фондације, је организација посвећена изградњи екосистема за подршку опен соурце иновације у вештачкој интелигенцији (АИ), машинском учењу (МЛ) и дубоком учењу (ДЛ). Додао је ОННКС као пројекат на нивоу дипломаца 14. новембра 2019. Овај потез ОННКС-а под окриљем ЛФ АИ фондације сматран је важном прекретницом у успостављању ОННКС-а као стандарда отвореног формата неутралног према добављачима.
ОННКС Модел Зоо је колекција унапред обучених модела за дубоко учење доступно у ОННКС формату. За сваки модел постоје Јупитерове свеске за обуку модела и извођење закључивања са обученим моделом. Свеске су написане на Питхон-у и садрже везе до скуп података за обуку и референце на оригинални научни документ који описује архитектуру модела.
Кључне карактеристике
- Интероперабилност оквира
- Оптимизација хардвера
Zakljucak
Ово је резиме најбољих оквира за дубоко учење. Постоји неколико оквира за ову сврху, бесплатних или плаћених. Да бисте изабрали најбоље за свој пројекат, прво сазнајте за коју платформу ћете развијати своју апликацију.
Општи оквири као што су ТенсорФлов и Керас су најбоље опције за почетак. Али ако треба да користите предности специфичне за ОС или уређај, онда би Цоре МЛ и Мицрософт Цогнитиве Тоолкит могли бити најбоље опције.
Постоје и други оквири намењени Андроид уређајима, другим машинама и специфичним наменама које нису поменуте на овој листи. Ако вас ова друга група занима, предлажемо да потражите њихове информације на Гоогле-у или другим сајтовима за машинско учење.
Ostavite komentar