זענט איר גרייט צו גיין אויף אַ יקסייטינג נסיעה אין די מעלוכע פון קינסטלעך סייכל?
עס איז קיינמאָל געווען אַ בעסער געלעגנהייט צו ויספאָרשן אַי פראַמעוואָרקס, דאַנק צו דעם וווּקס פון קינסטלעך סייכל.
עס זענען עטלעכע סאַלושאַנז בנימצא, ריינדזשינג פון TensorFlow און PyTorch צו Keras און Caffe. דעפּענדינג אויף דיין צילן, יעדער פריימווערק האט פאַרשידענע אַדוואַנטידזשיז און דיסאַדוואַנטידזשיז.
צי איר זענט אַ נעווביע אָדער אַ יקספּיריאַנסט דעוועלאָפּער, לאָזן אונדז אָנהייבן און קוק אין די בעסטער אַי פראַמעוואָרקס בנימצא הייַנט.
1. פּיטאָרטש
PyTorch איז אַ שטאַרק אָפֿן-מקור מאַשין לערנען פריימווערק וואָס סוועפּט די אַי קהל זינט זיין דעבוט אין 2016. עס איז געשווינד געווארן אַ גיין-צו פריימווערק דאַנק צו זיין דינאַמיש קאַמפּיאַטיישאַן נעץ און באַניצער-פרייַנדלעך צובינד.
אָבער וואָס דיסטינגגווישיז PyTorch פון די מאַסע? צו אָנהייבן מיט, עס האט אַ שטאַרק זאַמלונג פון קייפּאַבילאַטיז. דאָס מאכט עס גאנץ פֿאַר קאַנסטראַקטינג און ימפּלאַמענינג מאַשין לערנען מאָדעלס.
PyTorch איז אַ פּראָדוקציע-גרייט פריימווערק וואָס קענען זיין טראַסטיד פֿאַר אפילו די מערסט פאדערן אַפּלאַקיישאַנז, דאַנק צו זיין גלאַט יבערגאַנג צווישן לאָעט און גראַפיק מאָדעס ניצן TorchScript און זיין פיייקייט צו פאַרגיכערן די מאַרשרוט צו פּראָדוקציע מיט TorchServe.
דערצו, PyTorch האט אַ פולשטענדיק יקאָוסיסטאַם פון מכשירים און לייברעריז. די מכשירים העלפן אין דער שאַפונג פון קאָמפּיוטער זעאונג, NLP און אנדערע אַפּלאַקיישאַנז.
עס איז אויך יקסטענסיוולי געשטיצט אויף הויפּט וואָלקן פּלאַטפאָרמס, אַלאַוינג גרינג אַנטוויקלונג און סקיילינג.
פּראָס
- טאָרטשסקריפּט לעץ איר עפערטלאַסלי באַשטימען צווישן לאָעט און גראַפיק מאָדעס, בשעת TorchServe ספּידז די נסיעה צו פּראָדוקציע.
- א שטאַרק יקאָוסיסטאַם פון מכשירים און פראַמעוואָרקס יקסטענדז PyTorch און אַלאַוז פאָרשונג אין קאָמפּיוטער זעאונג, נאַטירלעך שפּראַך פּראַסעסינג און אנדערע געביטן.
- הויפּט וואָלקן פּלאַטפאָרמס זענען געזונט געשטיצט, אַלאַוינג פֿאַר פריקטיאָנלעסס אַנטוויקלונג און פּשוט סקיילינג.
קאָנס
- אין פאַרגלייַך מיט אנדערע פראַמעוואָרקס, עס האט אַ קלענערער אַנטוויקלונג קהל.
- עס איז אַ פעלן פון מאָניטאָרינג און וויזשוואַלאַזיישאַן מכשירים, אַזאַ ווי אַ טענסאָר ברעט.
2. קעראַס
זענט איר פעד אַרויף מיט סטאַמבלינג איבער קאַנפיוזינג אַפּיס און טעות אַרטיקלען ווען דעוועלאָפּינג מאַשין לערנען מאָדעלס? קוק ניט ווייַטער ווי קעראַס, אַ טיף לערנען פריימווערק דעוועלאָפּעד פֿאַר יומאַנז אלא ווי ראָובאַץ.
קעראַס עמפאַסייזיז פּאַשטעס, יז פון נוצן און פולשטענדיק דאַקיומענטיישאַן. דאָס מאכט עס אַ פאָלקס ברירה צווישן דעוועלאָפּערס וואָס פּרובירן צו שאַפֿן און צעוויקלען פּראָדוקטן מיט מאַשין לערנען.
אָבער דאָס איז נישט אַלע: קעראַס האט אַ ברייט יקאָוסיסטאַם פון מכשירים און רעסורסן וואָס דעקן יעדער טייל פון די וואָרקפלאָוו פון מאַשין לערנען.
מיט די בייגיקייט צו צעוויקלען קעראַס מאָדעלס אומעטום, פֿון בלעטערער צו רירעוודיק דעוויסעס צו עמבעדיד סיסטעמען, איר קענען גאָר נוצן TensorFlow ס פיייקייט אין קיין סצענאַר.
פּראָס
- געבויט מיט פּשוט אַפּיס און פולשטענדיק דאַקיומענטיישאַן פֿאַר מענטש יז פון נוצן.
- גאָר אָפּטימיזעד פֿאַר דיבאַגינג גיכקייַט, קאָד עלאַגאַנס און דיפּלויאַביליטי
- לייכט סקאַלאַבלע צו עקסאַסקאַל לעוועלס רעכט צו ינטעראַקשאַן מיט די TensorFlow פּלאַטפאָרמע
- פילע דיפּלוימאַנט ברירות, ריינדזשינג פון בראַוזערז צו רירעוודיק דעוויסעס צו עמבעדיד סיסטעמען
קאָנס
- ווייניקער אַדאַפּטאַבאַל ווי אנדערע טיף לערנען פראַמעוואָרקס
- פֿאַר זיכער קאָמפּלעקס נוצן סינעריאָוז, עקסטרע לייברעריז אָדער מכשירים קען זיין פארלאנגט
- ניט ווי באַוווסט אָדער אָפט געניצט ווי אנדערע פראַמעוואָרקס
3. TensorFlow
שאַפֿן מאַשין לערנען מאָדעלס פּאַסיק פֿאַר פּראָדוקציע ניצן TensorFlow! TensorFlow אָפפערס די רעסורסן איר דאַרפֿן צו שטייַגן דיין מאַשין לערנען פּראַדזשעקס, צי איר זענט אַ עקספּערט דאַטן געלערנטער אָדער אַ טשיקאַווע נייַ-געקומענער.
ניט קיין ענין דיין מדרגה פון דערפאַרונג, איר קענען פשוט אָנהייבן מיט TensorFlow דאַנק צו די פאַר-טריינד מאָדעלס און טוטאָריאַלז וואָס זענען צוטריטלעך.
TensorFlow איז ניט בלויז אַ ביבליאָטעק פֿאַר מאַשין לערנען. עס איז אַ גאַנץ סוף-צו-סוף מאַשין לערנען פּלאַטפאָרמע וואָס אָפפערס אָפּציעס פֿאַר יעדער שריט פון דיין פּראָצעס, פֿון מאָדעל דיפּלוימאַנט צו דאַטן צוגרייטונג.
TensorFlow מאכט עס פּשוט צו צעוויקלען דיין מאָדעלס אומעטום, צי איר אַנטוויקלען אַ וועב אַפּ, אַ רירעוודיק אַפּ אָדער אַן עמבעדיד מיטל.
פּראָס
- פולשטענדיק פּלאַטפאָרמע פֿאַר מאַשין לערנען פון אָנהייב צו ענדיקן
- סקאַלאַבלע און אַדאַפּטאַבאַל
- עס איז בנימצא אין עטלעכע ווערסיעס פֿאַר פאַרשידן נוצן קאַסעס
- א גרויס יקאָוסיסטאַם מיט קהל רעסורסן און טריינד מאָדעלס
קאָנס
- עס איז אַ אַראָפאַנג לערנען ויסבייג פֿאַר יענע נאָר סטאַרטינג אויס
- דאַרף אַ זיכער סומע פון טעכניש עקספּערטיז און פארשטאנד.
4. קאַפע
א טיף לערנען פריימווערק גערופֿן קאַפע איז באשאפן מיט אַ פאָקוס אויף גיכקייַט און מאַדזשאַלעראַטי.
ווייַל פון זיין פּאַשטעס פון נוצן און שנעל דאַטן פּראַסעסינג, קאַפע, דעוועלאָפּעד דורך די בערקלי וויזשאַן און לערנען צענטער (BVLC), האט פארדינט פּאָפּולאַריטעט צווישן ריסערטשערז און געשעפטן.
עס איז אַ אַפּילינג אָלטערנאַטיוו פֿאַר מענטשן וואָס דאַרפֿן צו באַן און צעוויקלען מאָדעלס אויף אַ קייט פון ייַזנוואַרג ווייַל פון זייַן הויך-פאָרשטעלונג פּלאַן, וואָס אַלאַוז עס צו אַרבעטן אויף ביידע קפּוס און גפּוס.
פּראָס
- עס איז שנעל און עפעקטיוו.
- קאַפע איז אַדאַפּטאַבאַל מיט אַ מאַדזשאַלער אַרקאַטעקטשער.
- גוט קהל הילף איז בנימצא.
קאָנס
- עס קען נישט זיין די ידעאַל ברירה פֿאַר סאַפיסטאַקייטיד אַפּלאַקיישאַנז רעכט צו זיין לימיטעד פיייקייט.
- ניט ענלעך אנדערע פראַמעוואָרקס, ניט ווי באַניצער-פרייַנדלעך
- ריקוויירז עטלעכע פּראָגראַממינג דערפאַרונג.
5. מקס נעט
די טיף לערנען פריימווערק MXNet איז באשאפן מיט עפעקטיווקייַט און אַדאַפּטאַבילאַטי אין זינען. איר קענען לייכט שאַפֿן און נוצן נוראַל נעטוואָרקס מיט זייער באַניצער-פרייַנדלעך צובינד פֿאַר אַ פאַרשיידנקייַט פון צוועקן.
עס איז דעוועלאָפּעד מיט פּראָדוקציע נוצן קאַסעס אין זינען, אַרייַנגערעכנט קייפּאַבילאַטיז ווי מאָדעל טשעקפּוינט, מאָדעל סערווינג און שטיצן פֿאַר די ONNX פֿאָרמאַט. דאָס מאכט עס פּשוט צו צעוויקלען דיין מאָדעלס אין עטלעכע לאָוקיישאַנז, אַרייַנגערעכנט עמבעדיד דעוויסעס און וואָלקן ינווייראַנמאַנץ.
ווייַטער פֿעיִקייטן און מכשירים צוגעשטעלט דורך MXNet אַרייַננעמען געבויט-אין דאַטן לאָודערז, פאַר-טריינד מאָדעלס און הילף מיט אַוטאָ-דיפערענשייישאַן. טיף לערנען פּראַקטישנערז פון אַלע סקילז לעוועלס אָפט קלייַבן עס ווייַל פון זייַן וויבראַנט קהל און גרונטיק דאַקיומענטיישאַן.
פּראָס
- סקאַלאַבלע: MXNet איז אַ ווונדערלעך אָפּציע פֿאַר גרויס-וואָג אַפּלאַקיישאַנז זינט עס שטיצט פונאנדערגעטיילט טריינינג איבער פילע גפּוס און קפּוס.
- MXNet איז פּשוט צו ינקאָרפּערייט אין קראַנט פּראַסעסאַז זינט עס שטיצט אַ ברייט פאַרשיידנקייַט פון קאָמפּיוטער שפּראַכן, אַרייַנגערעכנט Python, R, Julia, Scala, Perl און C ++.
- עס איז קאַמפּאַטאַבאַל מיט לינוקס, ווינדאָוז, מאַקאָס, יאָס און אַנדרויד.
קאָנס
- MXNet האט אַ הויך לערנען ויסבייג און קען דאַרפן עטלעכע מאָל צו בעל, ענלעך צו אנדערע טיף לערנען פראַמעוואָרקס.
- ווייניקער פאָלקס: כאָטש MXNet איז גיינינג אַקסעפּטאַנס, עס איז נאָך נישט אַזוי אָפט געניצט ווי עטלעכע אנדערע טיף לערנען פראַמעוואָרקס ווי TensorFlow אָדער PyTorch, וואָס סאַגדזשעסץ אַז עס קען זיין ווייניקערע קהל רעסורסן צוטריטלעך.
6. טהעאַנאָ
א שטאַרק נומעריקאַל קאַמפּיאַטיישאַן טאָאָלקיט גערופן Theano ינייבאַלז ניצערס צו יפעקטיוולי פּלאַן, אַפּטאַמייז און אָפּשאַצן מאַטאַמאַטיקאַל אויסדרוקן. עס אָפפערס אַ סטרייטפאָרווערד צובינד פֿאַר דורכפירן מאַטאַמאַטיקאַל אַפּעריישאַנז אויף ריזיק דאַטאַסעץ און איז דעוועלאָפּעד אויף שפּיץ פון פּיטהאָן.
די בייגיקייט פון Theano צו ויספירן חשבונות אויף ביידע קפּוס און גפּוס איז איינער פון די הויפּט אַדוואַנטידזשיז. דאָס מאכט עס ידעאַל פֿאַר טיף לערנען אַפּלאַקיישאַנז וואָס דאַרפן הויך-פאָרשטעלונג פּראַסעסינג.
דערצו, Theano אָפפערס אַ פאַרשיידנקייַט פון אַפּטאַמאַזיישאַן קייפּאַבילאַטיז וואָס יוזערז קענען נוצן צו פֿאַרבעסערן די פאָרשטעלונג און אַקיעראַסי פון זייער מאָדעלס.
איצט, לאָזן ס טשעק זייַן פּראָס און קאָנס.
פּראָס
- טהעאַנאָ איז ינקרעדאַבלי עפעקטיוו אין טאן נומעריקאַל קאַמפּיאַטיישאַנז זינט עס איז געבויט צו אַפּטאַמייז די קאַמפּיוטיישאַנאַל גראַפיק פון מאַטאַמאַטיקאַל אויסדרוקן.
- עס איז אַ זייער אַדאַפּטאַבאַל פריימווערק.
- הויך-פאָרשטעלונג טיף לערנען אַפּלאַקיישאַנז נוץ זייער פון Theano ס שטאַרק גפּו אַפּטאַמאַזיישאַן. עס איז געבויט צו פונקציאָנירן לייכט מיט גפּוס.
קאָנס
- יענע וואָס זענען אַנפאַמיליער מיט פּיטהאָן אָדער אנדערע נומעריקאַל קאַלקולאַטיאָן לייברעריז קען געפֿינען עס טשאַלאַנדזשינג צו לערנען טהעאַנאָ.
- Theano קען ניט מער באַקומען דערהייַנטיקונגען אָדער זשוק פּאַטשאַז ווייַל זייַן אַנטוויקלונג האט סלאָוד אַראָפּ לעצטנס.
- ניט גענוגיק דאַקיומענטיישאַן: עטלעכע יוזערז קען געפֿינען טהעאַנאָ טשאַלאַנדזשינג צו נוצן זינט זיין דאַקיומענטיישאַן איז ווייניקער גרונטיק ווי די פון קאַמפּיטינג לייברעריז פֿאַר נומעריקאַל כעזשבן.
7. מיקראָסאָפט קאָגניטיווע טאָאָלקיט
לאָמיר קוקן אין Microsoft Cognitive Toolkit, אַ פריי און אָפֿן-מקור פריימווערק פֿאַר דעוועלאָפּינג טיף לערנען מאָדעלס. עס איז בדעה פֿאַר טריינינג גרויס-וואָג מאָדעלס אויף עטלעכע גפּוס און מאשינען.
די קאָגניטיווע טאָאָלקיט איז אַ פאָלקס ברירה צווישן דאַטן סייאַנטיס און מאַשין לערנען ריסערטשערז מיט זייַן באַניצער-פרייַנדלעך אַפּי און ויסגעצייכנט פונאנדערגעטיילט טריינינג קייפּאַבילאַטיז.
איינער פון די וויכטיק קעראַקטעריסטיקס פון די קאָגניטיווע טאָאָלקיט איז די פיייקייט צו באַן און צעוויקלען מאָדעלס אויף פאַרשידן ייַזנוואַרג, אַרייַנגערעכנט קפּוס, גפּוס און אפילו FPGAs.
דאָס מאכט עס אַ ויסגעצייכנט אָלטערנאַטיוו פֿאַר אָרגאַנאַזיישאַנז טריינג צו ינקאָרפּערייט טיף לערנען אין זייער סכוירע און באַדינונגס. דערצו, די קאָגניטיווע טאָאָלקיט כולל אַ פאַרשיידנקייַט פון פאַר-געבויט מאָדעלס און ביישפילן קאָד, וואָס מאכט עס פּשוט פֿאַר נוקאַמערז צו אָנהייבן.
פּראָס
- אַלאַוז פֿאַר פונאנדערגעטיילט טריינינג איבער עטלעכע קאָמפּיוטערס און גפּוס
- פּראָווידעס פֿאַר פּשוט ינטעראַקשאַן מיט אנדערע מיקראָסאָפט פּראָדוקטן אַזאַ ווי Azure און Power BI
- אָפפערס אַ ווערסאַטאַל און אַדאַפּטאַבאַל פריימווערק פֿאַר דעוועלאָפּינג און טריינינג טיף לערנען מאָדעלס
קאָנס
- עס קען זיין שווער צו שטעלן אַרויף און קאַסטאַמייז פֿאַר נייַע ניצערס
- לאַקס געבויט-אין שטיצן פֿאַר עטלעכע פאָלקס פֿעיִקייטן אַזאַ ווי דאַטן פאַרגרעסערונג און אַריבערפירן לערנען
- לאַקס געבויט-אין שטיצן פֿאַר עטלעכע פאָלקס פֿעיִקייטן אַזאַ ווי דאַטן פאַרגרעסערונג און אַריבערפירן לערנען
8. שאָגון
שאָגון איז אַ C ++ מאַשין לערנען פּעקל וואָס איז ונדעריוטאַלייזד. עס כּולל פּיטהאָן, ז'אבא און MATLAB קאַנעקטערז, וואָס מאכט עס אַ פלעקסאַבאַל געצייַג פֿאַר מאַשינערי לערנען פּראַקטישנערז.
Shogun איז געבויט צו זיין סקאַלאַבלע, שנעל און פלעקסאַבאַל, וואָס מאכט עס פּאַסיק פֿאַר גרויס אַמאַונץ פון דאַטן און טשאַלאַנדזשינג מאַשין לערנען ווערקלאָודז.
איינער פון די מערסט נאָוטאַבאַל אַדוואַנטידזשיז פון Shogun איז די פיייקייט צו שעפּן אַ ברייט קייט פון דאַטן פֿאָרמאַטירונגען, אַרייַנגערעכנט ביינערי, קאַטאַגאָריקאַל און קעסיידערדיק.
עס אויך כולל אַ גרויס קייט פון מעטהאָדס פֿאַר קלאַסאַפאַקיישאַן, ראַגרעשאַן, דימענשאַנאַליטי רעדוקציע און קלאַסטערינג, מאכן עס אַ גאַנץ מאַשין-לערנען געצייַג. Shogun שטיצט ביידע פּעקל און אָנליין לערנען, און עס ינטאַגרייץ סימלאַס מיט אנדערע לייברעריז פֿאַר מאַשין לערנען ווי TensorFlow און scikit-learn.
פּראָס
- עס גיט אַ דייווערס גאַנג פון מאַשין-לערנען טעקניקס און מכשירים, אַרייַנגערעכנט טיף לערנען, ראַגרעשאַן און קלאַסאַפאַקיישאַן שטיצן
- עס איז קאַמפּאַטאַבאַל מיט אַ פאַרשיידנקייַט פון פּראָגראַממינג שפּראַכן, אַרייַנגערעכנט Python, C ++ און Java.
קאָנס
- עס קען האָבן ווייניקערע רעסורסן און שטיצן בנימצא ווייַל עס קען נישט זיין אַזוי באַוווסט אָדער פאָלקס ווי עטלעכע אנדערע לייברעריז פֿאַר מאַשין לערנען.
- קאַמפּערד מיט אנדערע לייברעריז זיי זענען צוגעוווינט, עטלעכע יוזערז קען געפֿינען די סינטאַקס און סטרוקטור פון די ביבליאָטעק ווייניקער פאַרשטיייק.
- צו דערגרייכן די בעסטער רעזולטאַטן, עטלעכע לייברעריז קען דאַרפֿן מער מאַנואַל אַרבעט און פיין-טונינג ווי אנדערע.
9. אָננקס
אַן אָפֿן מקור פּלאַטפאָרמע גערופֿן עפֿן נעוראַל נעטוואָרק עקסטשאַנגע (ONNX) ינייבאַלז די קאַנווערזשאַן און ייַנטיילונג פון מאַשין לערנען מאָדעלס.
עס אָפפערס אַ אופֿן פֿאַר טראַנספערינג טיף לערנען מאָדעלס צווישן פאַרשידן פראַמעוואָרקס און פּלאַטפאָרמס, סימפּלאַפייינג די שאַפונג און דיפּלוימאַנט פון מאַשין לערנען מאָדעלס.
איר קענען שאַפֿן מאָדעלס מיט ONNX ניצן אַ בילכער פריימווערק און דעמאָלט צעוויקלען זיי אין אַ אַנדערש רונטימע באַשטעטיקן.
די קוסטאָמיזאַבלע אַרקאַטעקטשער פון ONNX ינייבאַלז ניצערס צו אויסקלייַבן די ידעאַל מכשירים פֿאַר די אַרבעט אין האַנט. עס פאַסילאַטייץ קאַמפּאַטאַבילאַטי צווישן עטלעכע טיף לערנען פראַמעוואָרקס, אַזאַ ווי PyTorch, TensorFlow און Caffe2. איר קענען נוצן די אַדוואַנטידזשיז פון יעדער פריימווערק דורך געשווינד קאַנווערטינג מאָדעלס צווישן זיי.
פּראָס
- ינטעראָפּעראַביליטי איז מעגלעך אין עטלעכע טיף-לערנען פראַמעוואָרקס.
- פריי צו נוצן און אָפֿן מקור.
- א ברייט קייט פון ייַזנוואַרג און רונטימע ינווייראַנמאַנץ איז געשטיצט.
קאָנס
- די פאָרשטעלונג פון ONNX מאָדעלס קענען טייל מאָל זיין ערגער ווי מאָדעלס וואָס זענען נייטיוולי ימפּלאַמענאַד אין אַ געגעבן פריימווערק.
- מאל סוויטשינג צווישן פאַרשידן פראַמעוואָרקס קען פאַרשאַפן קאַמפּאַטאַבילאַטי פּראָבלעמס וואָס זענען שווער צו פאַרריכטן.
קסנומקס. אַפּאַטשי ספּאַרק
Apache Spark איז אַ שנעל און ווערסאַטאַל פונאנדערגעטיילט קאַמפּיוטינג סיסטעם וואָס קענען לייכט שעפּן גרויס-וואָג דאַטן פּראַסעסינג. עס איז אַ פאָלקס ברירה פֿאַר גרויס דאַטן אַפּלאַקיישאַנז רעכט צו זיין פיייקייט צו אַנאַלייז גרויס וואַליומז פון דאַטן געשווינד.
ספּאַרק איז ניט בלויז מענט צו זיין שנעל, אָבער עס איז אויך סקאַלאַבלע, וואָס מיטל עס קענען פירן ינקריסינג דאַטן קוואַנטאַטיז אָן קאַמפּראַמייזינג פאָרשטעלונג.
די MLlib פּעקל אַרייַנגערעכנט מיט Apache Spark איז ספּעציעל מערקווירדיק. עס כולל סקאַלאַבלע און עפעקטיוו מאַשין לערנען מעטהאָדס אַזאַ ווי קלאַסאַפאַקיישאַן, ראַגרעשאַן, קלאַסטערינג און קאַלאַבערייטיוו פֿילטרירונג.
ווייַל MLlib ינטערפייסיז מיט Spark ס אנדערע קאַמפּאָונאַנץ, עס איז פּשוט צו שאַפֿן סוף-צו-סוף דאַטן פּראַסעסינג פּייפּליינז.
דעריבער, אויב איר דאַרפֿן אַ שטאַרק און אַדאַפּטאַבאַל געצייַג פֿאַר גרויס דאַטן פּראַסעסינג און מאַשין לערנען, Apache Spark זאָל זיין אויף דיין רשימה.
פּראָס
- ווייַל פון זייַן פונאנדערגעטיילט קאַמפּיוטינג פּלאַן, עס קענען שעפּן גרויס דאַטאַסעץ געשווינד
- ינאַגריישאַן מיט אנדערע ביג דאַטאַ טעקנאַלאַדזשיז ווי Hadoop, Hive און Cassandra איז פּשוט.
- עטלעכע טעקניקס פֿאַר קלאַסאַפאַקיישאַן, ראַגרעשאַן, קלאַסטערינג און קאַלאַבערייטיוו פֿילטרירונג זענען צוגעשטעלט
קאָנס
- ווייַל פון די קאַמפּלעקסיטי פון די פונאנדערגעטיילט קאַמפּיוטינג אַרקאַטעקטשער, די לערנען ויסבייג איז אַראָפאַנג
- לויפט אויף אַ וואַסט סומע פון רעסורסן און ינפראַסטראַקטשער
- שטיצן פֿאַר פאַקטיש-צייט פּראַסעסינג און סטרימינג דאַטן איז לימיטעד
קסנומקס. מלפּאַקק
mlpack איז אַן אָפֿן-מקור C ++ מאַשין לערנען טאָאָלקיט אַימעד צו צושטעלן שנעל, סקאַלאַבלע און פּשוט אַלגערידאַמז פֿאַר אַ ברייט קייט פון אַפּלאַקיישאַנז.
עס פּראָווידעס אַ דייווערס גאַנג פון מאַשין לערנען אַלגערידאַמז אַזאַ ווי קלאַסטערינג, ראַגרעשאַן, קלאַסאַפאַקיישאַן, דימענשאַנאַליטי רעדוקציע און נעוראַל נעטוואָרקס.
פּראָס
- עפעקטיוו ימפּלאַמענטיישאַן פון פילע אַלגערידאַמז
- ינאַגריישאַן מיט אנדערע לייברעריז און שפּראַכן איז פּשוט.
- אָפפערס באַפֿעלן שורה און C ++ API ינטערפייסיז
קאָנס
- דאַקיומענטיישאַן קען זיין ימפּרוווד
- עטלעכע אַלגערידאַמז זענען נאָך נישט ימפּלאַמענאַד
- ביגינערז קען געפֿינען עס שווער צו נוצן
קסנומקס. Azure ML סטודיאָ
Azure Machine Learning (Azure ML) איז אַ מאַשין לערנען פּלאַטפאָרמע אין די וואָלקן. איר באַקומען צו פּלאַן, צעוויקלען און פירן מאַשין לערנען מאָדעלס אין וואָג.
עס אָפפערס אַ פאַרשיידנקייַט פון מכשירים און באַדינונגס צו אַרוישעלפן דאַטן סייאַנטיס און דעוועלאָפּערס אין סטרימליינינג די וואָרקפלאָוו פון סוף-צו-סוף מאַשין לערנען. איר קענען פשוט פירן דיין דאַטן, באַן דיין מאָדעלס און צעוויקלען זיי צו פּראָדוקציע. און איר קענען מאָניטאָר זייער פאָרשטעלונג ניצן Azure ML - אַלע פֿון אַ איין ינאַגרייטיד סוויווע.
די פּלאַטפאָרמע שטיצט עטלעכע קאָמפּיוטער שפּראַכן, אַרייַנגערעכנט Python, R און SQL, און קומט מיט עטלעכע פאַר-געבויט טעמפּלאַטעס און אַלגערידאַמז צו העלפן איר געשווינד אָנהייבן.
דערצו, ווייַל פון זיין פלעקסאַבאַל און סקאַלאַבלע פּלאַן, Azure ML קענען לייכט פירן ביידע קליין-וואָג טריאַלס און גרויס-וואָג מאַשין לערנען אַפּלאַקיישאַנז.
פּראָס
- פּראָווידעס אַ גרינג-צו-נוצן גראַפיקאַל צובינד פֿאַר דעוועלאָפּינג און דיפּלויינג מאַשין לערנען מאָדעלס
- קאַנעקץ צו אנדערע מיקראָסאָפט באַדינונגס ווי Azure סטאָרידזש און פּאָווער BI.
- מיטאַרבעט מיט מאַנשאַפֿט מיטגלידער איז מעגלעך דורך ווערסיע קאָנטראָל און שערד וואָרקספּאַסעס
- סקאַלאַביליטי פֿאַר דילינג מיט מאַסיוו וואַליומז פון דאַטן און פּראַסעסינג מאַכט
קאָנס
- מינימאַל קוסטאָמיזאַטיאָן אָפּציעס פֿאַר אַלגערידאַמז און מאָדעלס
- רעכט צו דער פּרייַז סטראַטעגיע, עס קען זיין ווייניקער פּרייַז-עפעקטיוו פֿאַר קלענערער ענטערפּריסעס אָדער מענטשן
קסנומקס. סאַניט
DeepMind ריסערטשערז דיזיינד און געבויט Sonnet, אַן אַי פריימווערק וואָס שטיצט די אַנטוויקלונג פון נעוראַל נעטוואָרקס פֿאַר פאַרשידן אַפּלאַקיישאַנז. די אַרייַננעמען סופּערווייזד און ניט-סופּערווייזד לערנען, ווי געזונט ווי ריינפאָרסינג לערנען.
סאַנעט ס פּראָגראַממינג אַרקאַטעקטשער איז געבויט אויף snt.Module, וואָס קען קראָם פּוינטערז צו פּאַראַמעטערס, אנדערע מאַדזשולז און מעטהאָדס. די פריימווערק קומט מיט עטלעכע פּריסעט מאַדזשולז און נעטוואָרקס, אָבער יוזערז זענען אויך ינקעראַדזשד צו שאַפֿן זייער אייגענע.
פּראָס
- א פּשוט און שטאַרק פּראָגראַממינג מאָדעל
- יוזערז זענען ינקעראַדזשד צו שאַפֿן זייער מאַדזשולז.
- קאָד וואָס איז קאַנסייס און פאָוקיסט
קאָנס
- עס איז קיין טריינינג פּראָגראַם אַרייַנגערעכנט
- ביגינערז קען האָבן אַ אַראָפאַנג לערנען ויסבייג
קסנומקס. GluonCV
צי איר ווילן צו לערנען מער וועגן קאָמפּיוטער זעאונג?
ינטראָודוסינג GluonCV!
די פאַנטאַסטיש ביבליאָטעק כּולל די בעסטער אַלגערידאַמז פֿאַר טיף לערנען, פאַר-טריינד מאָדעלס און אַ שעפע פון מאַטעריאַלס צו אַרוישעלפן ענדזשאַנירז, ריסערטשערז און סטודענטן אין וואַלאַדייטינג זייער יידיאַז, פּראָוטאַטייפּ פּראָדוקטן און לערנען מער וועגן דער געגנט.
GluonCV מאכט עס פּשוט צו אָנהייבן און דערגרייכן SOTA אַוטקאַמז מיט זיין געזונט-דיזיינד אַפּיס, פּשוט ימפּלאַמאַנץ און קהל הילף.
וואָס ס מער, די פיינאַסט טייל?
עס איז גאָר אַדאַפּטאַבאַל און פּשוט צו אַפּטאַמייז און ינסטאַלירן! GluonCV כּולל אַלץ איר דאַרפֿן צו נעמען דיין קאָמפּיוטער זעאונג טאלאנטן צו דער ווייַטער מדרגה, צי איר זענט אַ סיזאַנד פּראָ אָדער נאָר סטאַרטינג.
פּראָס
- פּשוט ינסטאַלירונג און נוצן
- גרויס זאַמלונג פון פאַר-טריינד מאָדעלס
- טיף לערנען אַלגערידאַמז וואָס זענען קאַטינג-ברעג
- ימפּלאַמענטיישאַנז וואָס זענען פּשוט צו פֿאַרשטיין
- פּשוט אַפּטאַמאַזיישאַן און דיפּלוימאַנט
קאָנס
- ווייניקער קוסטאָמיזאַטיאָן און קאָנטראָל ווי אָלטערנאַטיוו פראַמעוואָרקס
- שטיצן פֿאַר ניט-קאָמפּיוטער זעאונג אַקטיוויטעטן איז לימיטעד
- געשעפט באַניץ קען זיין ריסטריקטיד רעכט צו דערלויבעניש ריסטריקשאַנז
קסנומקס. הקסנומקסאָ
H2O איז אַן אָפֿן-מקור דאַטן אַנאַליסיס און מאַשין לערנען פּלאַטפאָרמע וואָס יימז צו מאַכן עס פּשוט פֿאַר אָרגאַנאַזיישאַנז צו נוצן קינסטלעך סייכל (AI) צו פירן זייער אַפּעריישאַנז.
H2O.ai ס AI קלאָוד מאכט געטינג סטאַרטעד מיט H2O אפילו גרינגער, מיט אַ שלעפּן-און-קאַפּ צובינד פֿאַר דעוועלאָפּינג מאַשין לערנען מאָדעלס אָן קיין קאָדירונג סקילז.
דער פּלאַטפאָרמע אויך גיט ברייט דאַטן וויזשוואַלאַזיישאַן און אַנאַליסיס קייפּאַבילאַטיז, ווי געזונט ווי מאָדעל טוויקינג און דיפּלוימאַנט. געשעפטן קענען נוצן H2O.ai צו געשווינד און פשוט בויען און צעוויקלען אַי מאָדעלס צו מאַכנ טשאַלאַנדזשינג געשעפט טשאַלאַנדזשיז.
פּראָס
- שלעפּן-און-קאַפּ צובינד פֿאַר קריייטינג מאַשין לערנען מאָדעלס
- פולשטענדיק דאַטן וויזשוואַלאַזיישאַן און אַנאַליסיס מכשירים, ווי געזונט ווי מאָדעל טונינג און דיפּלוימאַנט
- עפֿן מקור פּלאַטפאָרמע מיט אַ גרויס באַניצער און קאָנטריבוטאָר קהל
- שטיצן פֿאַר עטלעכע אַלגערידאַמז און דאַטן טייפּס
קאָנס
- זיכער פֿעיִקייטן זענען בלויז צוטריטלעך אין די פּרעמיע ווערסיע פון די פּלאַטפאָרמע
- קאַמפּערד מיט אנדערע פּלאַטפאָרמס, עס קען זיין מער שווער צו שטעלן אַרויף און קאַנפיגיער.
ייַנוויקלען אַרויף, וואָס איינער איז בעסטער?
סעלעקטינג די ידעאַל אַי פריימווערק אָדער פּלאַטפאָרמע איז אָפענגיק אויף וואָס איר ווילן צו טאָן מיט אים. אויב איר ווילט אַ פריימווערק וואָס איז פּשוט צו נוצן און האט אַ ריזיק קהל, TensorFlow אָדער PyTorch קענען זיין אַ פּאַסיק ברירה.
אויב איר ווילט אַ פּלאַטפאָרמע וואָס איז מער פאָוקיסט אויף מאַשין לערנען מאָדעלס, Azure ML Studio אָדער H2O.ai קען זיין דער בעסטער אָפּציע.
און אויב איר ווילט אַ פריימווערק וואָס איז פּשוט צו קאַסטאַמייז און קאַנפיגיער, Sonnet אָדער GluonCV קען זיין דער וועג צו גיין. צום סוף, די צונעמען פריימווערק פֿאַר איר איז באשלאסן דורך דיין יינציק פאדערונגען און טייסץ.
לאָזן אַ ענטפֿערן