Dirbtinis intelektas populiarėja nuo 2016 m., O 20% didžiųjų kompanijų naudoja dirbtinį intelektą savo versle (McKinsey ataskaita, 2018). Pagal tą pačią ataskaitą dirbtinis intelektas gali sukurti didelę vertę visose pramonės šakose. Bankininkystės, pavyzdžiui, iš AI potencialas yra maždaug $ 300 milijardų, mažmenine skaičių Raketa į $ 600 milijardų.
Kad atskleistų galimą dirbtinio intelekto vertę, įmonės turi pasirinkti tinkamą giluminio mokymosi sistemą. Šioje pamokoje sužinosite apie įvairias bibliotekas, skirtas atlikti gilaus mokymosi užduotis. Kai kurios bibliotekos gyvuoja daugelį metų, o nauja biblioteka, tokia kaip „TensorFlow“, pastaraisiais metais pasirodė.
8 geriausios giluminio mokymosi bibliotekos / pagrindai
Šiame sąraše mes palyginsime geriausias „Deep Learning“ sistemas. Visi jie yra atviro kodo ir populiarūs duomenų mokslininkų bendruomenėje. Mes taip pat palyginsime populiarius ML kaip paslaugų teikėjus
Deglas
„Torch“ yra sena atviro kodo mašininio mokymosi biblioteka. Pirmą kartą jis buvo išleistas prieš 15 metų. Pagrindinės programavimo kalbos yra LŽŪU, tačiau jos yra įdiegtos C. Palyginus „PyTorch“ ir „TensorFlow“, ji palaiko didžiulę biblioteką mašininio mokymosi algoritmams, įskaitant gilųjį mokymąsi. Jis palaiko CUDA įgyvendinimą lygiagrečiam skaičiavimui.
„Torch“ giluminio mokymosi įrankį naudoja dauguma pirmaujančių laboratorijų, tokių kaip „Facebook“, „Google“, „Twitter“, „Nvidia“ ir kt. „Torch“ turi biblioteką „Python“ pavadinimuose „Pytorch“.
„Infer.net“
„Infer.net“ kuria ir prižiūri „Microsoft“. „Infer.net“ yra biblioteka, kurioje pagrindinis dėmesys skiriamas Bajeso statistikai. „Infer.net“ yra gilaus mokymosi vizualizavimo priemonė, skirta praktikams pasiūlyti pažangiausius tikimybinio modeliavimo algoritmus. Bibliotekoje yra analizės įrankių, tokių kaip Bajeso analizė, paslėpta Markovo grandinė, grupavimas.
Keras
„Keras“ yra gilaus mokymosi „Python“ sistema. Tai yra patogi biblioteka, kurianti bet kokį gilaus mokymosi algoritmą. „Keras“ pranašumas yra tas, kad jis naudoja tą patį „Python“ kodą, kad veiktų procesoriuje arba GPU. Be to, kodavimo aplinka yra gryna ir leidžia mokyti pažangiausio kompiuterinio matymo algoritmo, be kita ko, teksto atpažinimo.
„Keras“ sukūrė „Google“ tyrėjas François Chollet. „Keras“ naudojamas žinomose organizacijose, tokiose kaip CERN, „Yelp“, „Square“ ar „Google“, „Netflix“ ir „Uber“.
Theano
„Theano“ yra gilaus mokymosi biblioteka, kurią 2007 m. Sukūrė Monrealio universitetas. Palyginus „Theano“ ir „TensorFlow“, ji siūlo greitą skaičiavimą ir gali būti vykdoma tiek procesoriuje, tiek GPU. „Theano“ buvo sukurtas giliųjų neuroninių tinklų algoritmams mokyti.
„Microsoft Cognitive Toolkit“ (CNTK)
„Microsoft“ įrankių rinkinys, anksčiau žinomas kaip CNTK, yra „Microsoft“ sukurta giluminio mokymosi biblioteka. „Microsoft“ duomenimis, biblioteka yra viena greičiausių rinkoje. „Microsoft“ įrankių rinkinys yra atviro kodo biblioteka, nors „Microsoft“ ją plačiai naudoja tokiems produktams kaip „Skype“, „Cortana“, „Bing“ ir „Xbox“. Įrankių rinkinį galima įsigyti „Python“ ir „C ++“.
„MXNet“
„MXnet“ yra naujausia giluminio mokymosi biblioteka. Jį galima pasiekti naudojant kelias programavimo kalbas, įskaitant C ++, Julia, Python ir R. MXNet galima sukonfigūruoti veikti tiek procesoriuje, tiek GPU. „MXNet“ apima moderniausią giluminio mokymosi architektūrą, tokią kaip „Convolutional Neural Network“ ir „Long Short-Term Memory“. „MXNet“ sukurtas taip, kad veiktų harmoningai su dinamine debesų infrastruktūra. Pagrindinis „MXNet“ vartotojas yra „Amazon“
Kavinė
„Caffe“ yra biblioteka, kurią pastatė Yangqing Jia, kai jis buvo doktorantas Berkeley. Lyginant „Caffe“ ir „TensorFlow“, „Caffe“ parašyta C ++ kalba ir gali atlikti skaičiavimus tiek procesoriuje, tiek GPU. Pagrindinis „Caffe“ vartojimas yra konvoliucinis neuroninis tinklas. Nors 2017 m. „Facebook“ išplėtė „Caffe“ su gilesnio mokymosi architektūra, įskaitant „Recurrent Neural Network“. „Caffe“ naudoja akademikai ir startuoliai, bet ir kai kurios didelės kompanijos, tokios kaip „Yahoo!“.
„TensorFlow“
„TensorFlow“ yra „Google“ atvirojo kodo projektas. „TensorFlow“ yra garsiausia šių dienų giluminio mokymosi biblioteka. Jis buvo išleistas visuomenei 2015 m. Pabaigoje
„TensorFlow“ yra sukurtas C ++ ir turi patogią „Python“ API, nors yra ir „C ++“ API. Žinomos kompanijos, tokios kaip „Airbus“, „Google“, IBM ir kt., Naudoja „TensorFlow“, kad sukurtų gilaus mokymosi algoritmus.
„TensorFlow Vs Theano“ prieš „Torch“ prieš „Keras Vs infer.net“ vs CNTK vs „MXNet Vs Caffe“: pagrindiniai skirtumai
| Biblioteka | Platforma | Parašyta | Cuda parama | Lygiagretus vykdymas | Turi apmokytų modelių | RNN | CNN |
|---|---|---|---|---|---|---|---|
| Deglas | „Linux“, „MacOS“, „Windows“ | Lua | Taip | Taip | Taip | Taip | Taip |
| Išvada.Net | „Linux“, „MacOS“, „Windows“ | „Visual Studio“ | Ne | Ne | Ne | Ne | Ne |
| Keras | „Linux“, „MacOS“, „Windows“ | „Python“ | Taip | Taip | Taip | Taip | Taip |
| Theano | Skersinė platforma | „Python“ | Taip | Taip | Taip | Taip | Taip |
| „TensorFlow“ | „Linux“, „MacOS“, „Windows“, „Android“ | „C ++“, „Python“, CUDA | Taip | Taip | Taip | Taip | Taip |
| „MICROSOFT“ Kognityvinis įrankis | „Linux“, „Windows“, „Mac“ su „Docker“ | C ++ | Taip | Taip | Taip | Taip | Taip |
| Kavinė | „Linux“, „MacOS“, „Windows“ | C ++ | Taip | Taip | Taip | Taip | Taip |
| „MXNet“ | „Linux“, „Windows“, „MacOs“, „Android“, „iOS“, „Javascript“ | C ++ | Taip | Taip | Taip | Taip | Taip |
Verdiktas:
„TensorFlow“ yra geriausia biblioteka, nes ji sukurta taip, kad būtų prieinama visiems. „Tensorflow“ bibliotekoje yra skirtinga API, sukurta masto mokymosi architektūroje, pvz., CNN ar RNN. „TensorFlow“ yra pagrįstas grafo skaičiavimu, jis leidžia kūrėjui vizualizuoti neuroninio tinklo statybą naudojant „Tensorboad“. Šis įrankis yra naudingas derinant programą. Galiausiai, „Tensorflow“ sukurtas taip, kad būtų galima jį panaudoti masiškai. Jis veikia su procesoriumi ir GPU.
„Tensorflow“ sulaukia didžiausio populiarumo „GitHub“, palyginti su kitomis gilaus mokymosi bibliotekomis.
Mašininio mokymosi kaip paslaugos palyginimas
Toliau pateikiami 4 populiarūs DL kaip paslaugų teikėjai
„Google Cloud ML“
„Google“ teikia iš anksto apmokytą kūrėjų modelį, kurį galima rasti „Cloud AutoML“. Šis sprendimas yra kūrėjui, neturinčiam tvirtų žinių apie mašininį mokymąsi. Kūrėjai savo duomenims gali naudoti pažangiausią iš anksto parengtą „Google“ modelį. Tai leidžia bet kuriam kūrėjui mokyti ir įvertinti bet kurį modelį per kelias minutes.
Šiuo metu „Google“ teikia kompiuterio regėjimo, kalbos atpažinimo, vertimo ir NLP REST API.
Naudodamiesi „Google Cloud“, galite mokyti mašininio mokymosi sistemą, pagrįstą „TensorFlow“, „Scikit-learn“, „XGBoost“ ar „Keras“. „Google Cloud“ mašininis mokymasis mokys modelius visame debesyje.
„Google“ debesų kompiuterijos naudojimo pranašumas yra paprastumas diegiant mašininį mokymąsi gamyboje. „Docker“ konteinerio įrengti nereikia. Be to, debesis rūpinasi infrastruktūra. Jis žino, kaip paskirstyti išteklius su procesoriais, GPU ir TPU. Tai leidžia treniruotis greičiau lygiagrečiai skaičiuojant.
„AWS SageMaker“
Pagrindinis „Google Cloud“ konkurentas yra „Amazon“ debesis, AWS. „Amazon“ sukūrė „Amazon SageMaker“, kad duomenų mokslininkai ir kūrėjai galėtų kurti, mokyti ir į gamybą įtraukti bet kokius mašininio mokymosi modelius.
„SageMaker“ galima įsigyti „Jupyter Notepad“ ir, be kitų, yra naudojama dažniausiai naudojama mašininio mokymosi biblioteka „TensorFlow“, „MXNet“, „Scikit-learn“. Programos, parašytos naudojant „SageMaker“, automatiškai vykdomos „Docker“ talpyklose. „Amazon“ tvarko išteklių paskirstymą, kad optimizuotų mokymą ir diegimą.
„Amazon“ teikia kūrėjams API, kad pridėtų žvalgybos prie jų programų. Kai kuriais atvejais nereikia iš naujo išradinėti dviračio kuriant naujus modelius, o debesyje yra galingų iš anksto apmokytų modelių. „Amazon“ teikia kompiuterio matymo, pokalbių pokalbių robotų ir kalbos paslaugų API paslaugas:
Trys pagrindinės galimos API yra:
- „Amazon Rekognition“: atpažįsta programą vaizdais ir vaizdo įrašais
- „Amazon Comprehend“: atlikite teksto kasybą ir nervų kalbos apdorojimą, kad, pavyzdžiui, automatizuotumėte finansinių dokumentų teisėtumo tikrinimo procesą
- „Amazon Lex“: pridėkite pokalbių robotą prie programos
„Azure“ mašinų mokymosi studija
Tikriausiai vienas draugiškiausių būdų mokytis mašinoje yra „Azure Machine Learning Studio“. Reikšmingas šio sprendimo privalumas yra tas, kad nereikia jokių išankstinių programavimo žinių.
„Microsoft Azure“ mašinų mokymosi studija yra „nuvilkimo“ bendradarbiavimo įrankis, skirtas kurti, mokyti, įvertinti ir įdiegti mašininio mokymosi sprendimą. Modelis gali būti efektyviai pritaikytas kaip žiniatinklio paslaugos ir naudojamas keliose programose, tokiose kaip „Excel“.
„Azure Machine“ mokymosi sąsaja yra interaktyvi, leidžianti vartotojui susikurti modelį tiesiog greitai nuvilkant elementus.
Kai modelis bus paruoštas, kūrėjas gali jį išsaugoti ir perkelti į „Azure“ galeriją arba „Azure Marketplace“.
„Azure Machine“ mokymąsi galima integruoti į „R“ arba „Python“ jų pritaikytą integruotą paketą.
„IBM Watson ML“
„Watson“ studija gali supaprastinti duomenų projektus naudodama supaprastintą procesą, kuris leidžia iš duomenų išgauti vertę ir įžvalgas, kad verslas galėtų tapti protingesnis ir greitesnis. „Watson“ studija pateikia lengvai naudojamą duomenų mokslo ir mašininio mokymosi aplinką kuriant ir mokant modelius, rengiant ir analizuojant duomenis bei dalijantis įžvalgomis vienoje vietoje. „Watson Studio“ lengva naudoti su „drag and drop“ kodu.
„Watson“ studija palaiko kai kurias populiariausias sistemas, tokias kaip „Tensorflow“, „Keras“, „Pytorch“, „Caffe“, ir gali įdiegti gilaus mokymosi algoritmą naujausiuose „Nvidia“ GPU, kad būtų galima pagreitinti modeliavimą.
Verdiktas:
Mūsų požiūriu, labiausiai rekomenduojamas „Google“ debesies sprendimas. „Google“ debesų sprendimas suteikia mažesnę duomenų saugojimo ir mašininio mokymosi AWS kainą bent 30%. „Google“ puikiai dirba dirbtinio intelekto demokratizavimo srityje. Ji sukūrė atvirojo kodo kalbą „TensorFlow“, optimizuotą duomenų sandėlio ryšį, teikia daugybę įrankių nuo duomenų vizualizavimo, duomenų analizės iki mašininio mokymosi. Be to, „Google Console“ yra ergonomiška ir daug išsamesnė nei AWS ar „Windows“.
