Mākslīgā intelekta popularitāte kopš 2016. gada pieaug, un 20% lielo uzņēmumu izmanto AI savā biznesā (McKinsey ziņojums, 2018). Saskaņā ar to pašu ziņojumu AI var radīt ievērojamu vērtību dažādās nozarēs. Piemēram, banku jomā AI potenciāls tiek lēsts 300 miljardu ASV dolāru apmērā, bet mazumtirdzniecībā to skaits pieaug līdz 600 miljardiem ASV dolāru.
Lai atklātu AI potenciālo vērtību, uzņēmumiem jāizvēlas pareizais dziļās mācīšanās ietvars. Šajā apmācībā jūs uzzināsiet par dažādām bibliotēkām, kas pieejamas dziļu mācību uzdevumu veikšanai. Dažas bibliotēkas pastāv jau gadiem ilgi, kamēr pēdējos gados ir parādījusies jauna bibliotēka, piemēram, TensorFlow.
8 labākās padziļināti apgūstamās bibliotēkas / ietvars
Šajā sarakstā mēs salīdzināsim labākos dziļo mācību ietvarus. Visi no tiem ir atvērtā koda un populāri datu zinātnieku aprindās. Mēs salīdzināsim arī populāros ML kā pakalpojumu sniedzējus
Lāpa
Torch ir veca atvērtā koda mašīnmācīšanās bibliotēka. Tas pirmo reizi tika izlaists pirms 15 gadiem. Galvenās programmēšanas valodas ir LLU, taču tās ir ieviestas C. Salīdzinot PyTorch un TensorFlow, tā atbalsta plašu bibliotēku mašīnmācīšanās algoritmiem, ieskaitot dziļu mācīšanos. Tas atbalsta CUDA ieviešanu paralēlai skaitļošanai.
Lāpas dziļās mācīšanās rīku izmanto lielākā daļa vadošo laboratoriju, piemēram, Facebook, Google, Twitter, Nvidia utt. Torch ir bibliotēka Python nosaukumos Pytorch.
Infer.net
Infer.net izstrādā un uztur Microsoft. Infer.net ir bibliotēka, kuras galvenā uzmanība tiek pievērsta Bajesa statistikai. Infer.net ir Deep Learning vizualizācijas rīks, kas paredzēts praktiķiem piedāvāt vismodernākos varbūtības modelēšanas algoritmus. Bibliotēkā ir analītiski rīki, piemēram, Bajesa analīze, slēpta Markova ķēde, kopu veidošana.
Keras
Keras ir Python pamats dziļai mācībai. Tā ir ērta bibliotēka, lai izveidotu jebkuru dziļu mācību algoritmu. Keras priekšrocība ir tā, ka tas izmanto to pašu Python kodu, lai palaistu CPU vai GPU. Turklāt kodēšanas vide ir tīra un ļauj apmācīt vismodernāko datora redzamības algoritmu, cita starpā arī teksta atpazīšanu.
Keras ir izstrādājis Google pētnieks Fransuā Chollet. Keras tiek izmantots tādās ievērojamās organizācijās kā CERN, Yelp, Square vai Google, Netflix un Uber.
Theano
Theano ir dziļi apgūstama bibliotēka, kuru 2007. gadā izstrādāja Monreālas Universitāte. Salīdzinot Theano ar TensorFlow, tā piedāvā ātru skaitļošanu un to var darbināt gan ar CPU, gan GPU. Theano ir izstrādāts dziļu neironu tīkla algoritmu apmācībai.
Microsoft kognitīvo rīku komplekts (CNTK)
Microsoft rīkkopa, kas iepriekš bija pazīstama kā CNTK, ir Microsoft izstrādāta padziļinātas mācību bibliotēka. Pēc Microsoft domām, bibliotēka ir starp ātrākajām tirgū. Microsoft rīkkopa ir atvērtā koda bibliotēka, lai gan Microsoft to plaši izmanto savam produktam, piemēram, Skype, Cortana, Bing un Xbox. Rīku komplekts ir pieejams gan Python, gan C ++.
MXNet
MXnet ir nesen izveidota dziļu mācību bibliotēka. Tam var piekļūt ar vairākām programmēšanas valodām, ieskaitot C ++, Julia, Python un R. MXNet var konfigurēt darbam gan ar CPU, gan GPU. MXNet ietver modernu dziļu mācību arhitektūru, piemēram, Convolutional Neural Network un Long Short-Term Memory. MXNet ir veidots, lai darbotos harmoniski ar dinamisko mākoņu infrastruktūru. Galvenais MXNet lietotājs ir Amazon
Kafija
Caffe ir bibliotēka, kuru uzcēla Jangkins Dzja, kad viņš bija doktorants Berkelijā. Salīdzinot Caffe un TensorFlow, Caffe ir rakstīts C ++ un var veikt aprēķinus gan CPU, gan GPU. Caffe galvenais lietojums ir konvolucionālais neironu tīkls. Lai gan 2017. gadā Facebook paplašināja Caffe ar dziļākas mācīšanās arhitektūru, ieskaitot Recurrent Neural Network. Caffe izmanto akadēmiķi un jaunie uzņēmumi, bet arī daži lieli uzņēmumi, piemēram, Yahoo !.
TensorFlow
TensorFlow ir Google atvērtā pirmkoda projekts. TensorFlow ir slavenākā dziļo mācību bibliotēka šajās dienās. Tas tika izlaists sabiedrībai 2015. gada beigās
TensorFlow ir izstrādāts C ++ un tam ir ērta Python API, lai gan ir pieejamas arī C ++ API. Ievērojami uzņēmumi, piemēram, Airbus, Google, IBM un tā tālāk, izmanto TensorFlow, lai izveidotu dziļu mācību algoritmus.
TensorFlow Vs Theano Vs Torch Vs Keras Vs infer.net Vs CNTK Vs MXNet Vs Caffe: Galvenās atšķirības
| Bibliotēka | Platforma | Rakstīts | Kuda atbalsts | Paralēla izpilde | Ir apmācījis modeļus | RNN | CNN |
|---|---|---|---|---|---|---|---|
| Lāpa | Linux, MacOS, Windows | Lua | Jā | Jā | Jā | Jā | Jā |
| Infer.Net | Linux, MacOS, Windows | Visual Studio | Nē | Nē | Nē | Nē | Nē |
| Keras | Linux, MacOS, Windows | Python | Jā | Jā | Jā | Jā | Jā |
| Theano | Pārrobežu platforma | Python | Jā | Jā | Jā | Jā | Jā |
| TensorFlow | Linux, MacOS, Windows, Android | C ++, Python, CUDA | Jā | Jā | Jā | Jā | Jā |
| MICROSOFT KOGNITĪVAIS INSTRUMENTS | Linux, Windows, Mac ar Docker | C ++ | Jā | Jā | Jā | Jā | Jā |
| Kafija | Linux, MacOS, Windows | C ++ | Jā | Jā | Jā | Jā | Jā |
| MXNet | Linux, Windows, MacOs, Android, iOS, Javascript | C ++ | Jā | Jā | Jā | Jā | Jā |
Spriedums:
TensorFlow ir labākā bibliotēka, jo tā ir veidota tā, lai tā būtu pieejama visiem. Tensorflow bibliotēkā ir iekļauta atšķirīga API, kas izveidota plaša mēroga dziļas mācīšanās arhitektūrā, piemēram, CNN vai RNN. TensorFlow pamatā ir grafu aprēķins, tas ļauj izstrādātājam vizualizēt neironu tīkla uzbūvi ar Tensorboad. Šis rīks ir noderīgs, lai atkļūdotu programmu. Visbeidzot, Tensorflow ir veidots tā, lai to varētu izvietot plašā mērogā. Tas darbojas ar CPU un GPU.
Tensorflow GitHub piesaista vislielāko popularitāti, salīdzinot ar citām dziļās izglītības bibliotēkām.
Mašīnmācīšanās kā pakalpojuma salīdzināšana
Tālāk ir 4 populāri DL kā pakalpojumu sniedzēji
Google Cloud ML
Google nodrošina izstrādātāja iepriekš apmācītu modeli, kas pieejams Cloud AutoML. Šis risinājums pastāv izstrādātājam bez spēcīgas pieredzes mašīnmācībā. Izstrādātāji savos datos var izmantot vismodernāko Google iepriekš apmācīto modeli. Tas ļauj jebkuram izstrādātājam apmācīt un novērtēt jebkuru modeli tikai dažu minūšu laikā.
Pašlaik Google nodrošina REST API datora redzamībai, runas atpazīšanai, tulkošanai un NLP.
Izmantojot Google Cloud, varat apmācīt mašīnmācīšanās sistēmu, kas balstīta uz TensorFlow, Scikit-learn, XGBoost vai Keras. Izmantojot Google Cloud mašīnmācīšanos, modeļi tiks apmācīti visā tās mākoņā.
Google mākoņdatošanas izmantošanas priekšrocība ir vienkāršība mašīnmācīšanās izvietošanai ražošanā. Docker konteiners nav jāiestata. Turklāt mākonis rūpējas par infrastruktūru. Tas zina, kā piešķirt resursus ar centrālajiem procesoriem, GPU un TPU. Tas padara apmācību ātrāku ar paralēlu skaitļošanu.
AWS SageMaker
Galvenais Google Cloud konkurents ir Amazon cloud, AWS. Amazon ir izstrādājis Amazon SageMaker, lai ļautu datu zinātniekiem un izstrādātājiem veidot, apmācīt un ieviest ražošanā visus mašīnmācīšanās modeļus.
SageMaker ir pieejams Jupyter piezīmjdatorā, un tajā ietilpst arī visbiežāk izmantotā mašīnmācīšanās bibliotēka TensorFlow, MXNet, Scikit-learn. Programmas, kas rakstītas ar SageMaker, tiek automātiski palaistas Docker konteineros. Amazon apstrādā resursu piešķiršanu, lai optimizētu apmācību un izvietošanu.
Amazon nodrošina API izstrādātājiem, lai viņu lietojumprogrammām pievienotu inteliģenci. Dažos gadījumos nav nepieciešams no jauna izgudrot riteni, būvējot jaunus modeļus, kamēr mākonī ir jaudīgi iepriekš apmācīti modeļi. Amazon nodrošina API pakalpojumus datoru redzamībai, sarunu tērzēšanas robotiem un valodu pakalpojumiem:
Trīs galvenās pieejamās API ir:
- Amazon Rekognition: nodrošina lietotnei attēlu un video atpazīšanu
- Amazon Comprehend: Veiciet teksta ieguvi un neironu valodas apstrādi, lai, piemēram, automatizētu finanšu dokumentu likumības pārbaudes procesu
- Amazon Lex: pievienojiet tērzēšanas robotu lietotnei
Azure Machine Learning Studio
Iespējams, ka viena no draudzīgākajām pieejām mašīnmācībai ir Azure Machine Learning Studio. Šī risinājuma būtiskā priekšrocība ir tā, ka nav nepieciešamas iepriekšējas programmēšanas zināšanas.
Microsoft Azure Machine Learning Studio ir velciet un nometiet sadarbības rīks, lai izveidotu, apmācītu, novērtētu un izvietotu mašīnmācīšanās risinājumu. Modeli var efektīvi izvietot kā tīmekļa pakalpojumus un izmantot vairākās lietotnēs, piemēram, Excel.
Azure Machine mācību saskarne ir interaktīva, ļaujot lietotājam izveidot modeli, tikai ātri velkot un nometot elementus.
Kad modelis ir gatavs, izstrādātājs to var saglabāt un nosūtīt uz Azure galeriju vai Azure Marketplace.
Azure Machine mācīšanos var integrēt R vai Python viņu pielāgotajā iebūvētajā paketē.
IBM Watson ML
Watson studija var vienkāršot datu projektus ar racionalizētu procesu, kas ļauj iegūt datus un ieskatu no datiem, lai palīdzētu biznesam kļūt gudrākam un ātrākam. Watson studija nodrošina ērti lietojamu datu zinātnes un mašīnmācīšanās vidi, lai veidotu un apmācītu modeļus, sagatavotu un analizētu datus un koplietotu ieskatus vienuviet. Watson Studio ir viegli izmantot, izmantojot vilkšanas un nomešanas kodu.
Watson studija atbalsta dažus no populārākajiem ietvariem, piemēram, Tensorflow, Keras, Pytorch, Caffe, un jaunākajos Nvidia GPU var izmantot dziļas mācīšanās algoritmu, lai paātrinātu modelēšanu.
Spriedums:
No mūsu viedokļa Google mākoņa risinājums ir tas, kas ir visvairāk ieteicams. Google mākoņa risinājums nodrošina AWS par vismaz 30% zemākas cenas datu glabāšanai un mašīnmācīšanās risinājumam. Google dara lielisku darbu, lai demokratizētu AI. Tā ir izstrādājusi atvērtā koda valodu TensorFlow, optimizētu datu noliktavas savienojumu, nodrošina milzīgus rīkus no datu vizualizācijas, datu analīzes līdz mašīnmācībai. Turklāt Google konsole ir ergonomiska un daudz visaptveroša nekā AWS vai Windows.