A mesterséges intelligencia világának 9 legfontosabb kerete

Elmúltak azok az idők, amikor az AI-t kitaláltnak tekintették.


A robotoktól a Google Siriig és az új Google Duplex bevezetéséig a Mesterséges Intelligens Úgy tűnik, hogy jelentős lépéseket tett az egyre humánusabbá válása érdekében..

A gépi tanulás és az AI iránti igény exponenciálisan nőtt. Ezenkívül maga a közösség is növekedett ennek eredményeként, és ez olyan AI-keretek kialakulásához vezetett, amelyek sokkal megkönnyítik az AI tanulását..

Ebben a cikkben megvitatjuk a legjobb keretrendszereket az AI fejlesztésének megkezdéséhez.

Tensor áramlás

Üdvözlet a Google családból, Tensor áramlás robusztus nyílt forráskódú keretnek bizonyul, amely támogatja a mélyreható tanulást, és amelyhez még mobil eszközről is lehet hozzáférni.

A tenzoráramlás megfelelő eszköznek tekinthető a statisztikai programfejlesztéshez. Mivel elosztott képzést kínál, a gépmodellek sokkal hatékonyabban képzhetők az absztrakció bármely szintjén, amelyet a felhasználó előnyben részesít.

Jellemzők

  • Méretezhető multi-programozási felület az egyszerű programozáshoz
  • Erős növekedési hajtóerők, erős nyílt forráskódú közösséggel
  • Kiterjedt és jól dokumentált kézikönyveket kínál az emberek számára

Előnyök

  • A tenzortámogatás nyelve a Python, amely manapság nagyon népszerű.
  • Ez a keret képes nagy számítási teljesítményre. Ezért bármilyen CPU-n vagy GPU-n használható.
  • Számítási gráf absztrakciót használ gépi modellek létrehozásához

Hátrányok

  • Döntés vagy előrejelzés meghozatala érdekében a keret továbbítja a bemeneti adatokat több csomóponton keresztül. Ez időigényes lehet.
  • Hiányzik az AI előzetesen kiképzett modelljei közül is.

Microsoft CNTK

Microsoft CNTK egy gyorsabb és sokoldalú nyílt forráskódú keret, amely neurális hálózatokon alapul, amelyek támogatják a szöveg, az üzenet és a hang átalakítását.

Hatékony méretezési környezetet biztosít a géptípusok gyorsabb átfogó kiértékelésének köszönhetően, miközben gondoskodik a pontosságról.

A Microsoft CNTK integrálódott a nagy, hatalmas adatkészletekbe, így a vezető választás a nagy szereplők, például a Skype, a Cortana, stb., És nagyon kifejező, könnyen használható architektúrájával is.

Jellemzők

  • Nagyon optimalizált, hogy hatékonyságot, méretezhetőséget, sebességet és magas szintű integrációt biztosítson
  • Beépített alkatrészekkel rendelkezik, mint például a hiperparaméter hangolása, felügyelt tanulási modellek, megerősítés, CNN, RNN stb..
  • Az erőforrásokat a legjobb hatékonyság biztosítása érdekében használják fel.
  • Saját hatékonyan kifejezhető hálózatok, például teljes API-k, mind magas, mind alacsony szinten

Előnyök

  • Mivel támogatja a Python-ot és a C ++ -ot, ez a keret egyszerre több szerverrel működhet, és ezáltal megkönnyíti a tanulási folyamatot.
  • Úgy fejlesztették ki, hogy szem előtt tartsák az AI világának legújabb fejleményeit. A Microsft CNTK architektúrája támogatja a GAN, RNN és ​​CNN szolgáltatásokat.
  • Lehetővé teszi az elosztott képzést a gépmodellek hatékony kiképzésére.

Hátrányok

  • Hiányzik a megjelenítő tábla és a mobil ARM támogatás.

Caffe

Caffe egy mélyreható tanulási hálózat, amely az előre telepített képzett neurális hálózatokkal együtt jön. Ez az első választás, ha a határidő közel van.

Képkezelési képességeiről ismert, ez a keret kiterjeszti a MATLAB támogatását is.

Jellemzők

  • Minden modellje egyszerű szöveges sémákban van írva
  • Hatalmas sebességet és rendkívül hatékony munkát kínál, mivel már elő van töltve.
  • Aktív nyílt forráskódú közösség beszélgetésre és együttműködési kódra.

Előnyök

  • A C, C ++ és Python összekapcsolásával támogatja a CNN (konvolúciós neurális hálózatok) modellezését is.
  • Hatékony a numerikus feladatok kiszámításakor, sebességük miatt.

Hátrányok

  • A Caffe nem képes összetett adatok kezelésére, de viszonylag gyors a képek vizuális feldolgozása közben.

Theano

A GPU-k helyett a CPU helyett ez a keret támogatja a mélyreható tanulást és képes pontosságot szolgáltatni a nagy számítási teljesítményt igénylő hálózatok számára. Például a többdimenziós tömbök kiszámításához nagy teljesítmény szükséges, és Theano erre képes.

Theano A pythonon alapul, amely bevált programozási nyelv a gyorsabb feldolgozás és válaszadás szempontjából.

Jellemzők

  • A kifejezések kiértékelése gyorsabb a dinamikus kódgenerálás miatt
  • Kiváló pontosságot biztosít, még akkor is, ha az értékek minimálisak.
  • Az egység tesztelése a Theano egyik legfontosabb jellemzője, mivel lehetővé teszi a felhasználó számára, hogy önellenőrizze kódját, valamint könnyen felismerje és diagnosztizálja a hibákat..

Előnyök

  • A Theano hatékonyan támogatja az összes adatigényes alkalmazást, de más könyvtárakkal történő kombinációt igényel.
  • Hatékonyan optimalizálva a CPU-hoz és a GPU-hoz

Hátrányok

  • A Theano jelenlegi verziójához nem lesz több frissítés vagy funkciók hozzáadása.

 Amazon gépi tanulás

Divatos belépés az AI közösségbe, Amazon gépi tanulás csúcskategóriás támogatást kínál az önálló tanulási eszközök fejlesztésében.

Ennek a keretnek már létezik felhasználói bázisa több szolgáltatásában, például az AWS, S3 és az Amazon Redshift. Ez egy Amazon által kezelt szolgáltatás, amelynek három műveletét hajtják végre a modellen, ezek az adatok elemzése, a modell képzése és az értékelés.

Jellemzők

  • Vannak testreszabott eszközök az AWS minden szintű tapasztalatához, még akkor is, ha kezdő, adattudós vagy fejlesztő
  • A biztonság rendkívül fontos, ezért minden adat titkosítva van
  • Kiterjedt eszközöket biztosít az adatok elemzéséhez és megértéséhez
  • Integráció az összes főbb adatkészlettel

Előnyök

  • Ehhez a kerethez nem kell sok kódot írnia. Ehelyett lehetővé teszi az AI-alapú kerettel való interakciót az API-n keresztül.
  • Általában az adattudósok, a fejlesztők és az ML-kutatók használják.

Hátrányok

  • Hiányzik a rugalmasság, mivel az egész keret kivonatolt, így ha egy adott normalizálási vagy gépi tanulási algoritmust szeretne választani, akkor nem.
  • Az adatmegjelenítés szintén hiányzik.

Fáklya

Az Fáklya egy nyílt forráskódú keret, amely támogathatja a numerikus műveleteket. Számos algoritmust kínál a mélyreható tanulási hálózatok gyorsabb fejlesztéséhez.

Széles körben használják a Facebook és a Twitter AI laboratóriumaiban. Van egy python alapú keret, PyTorch néven, amely egyszerűbbnek és megbízhatóbbnak bizonyult.

Jellemzők

  • Sok rutin jellemző az indexelésre, a szeletelésre és az átültetésre egy N-dimenziós tömbmodell segítségével
  • Meg vannak jelen az optimalizálási rutinok, elsősorban numerikus alapú neurális hálózati modellekkel
  • A GPU támogatás rendkívül hatékony
  • Könnyen integrálható az iOS-hez és az Andriod-hoz

Előnyök

  • Nagyon nagy rugalmasság a nyelvek és az integrációk szempontjából
  • Magas sebesség és a GPU felhasználási hatékonysága
  • Az adatok kiképzésére már létező modellek állnak rendelkezésre.

Hátrányok

  • A dokumentáció nem túl egyértelmű a felhasználók számára, ezért egy meredekebb tanulási görbét mutat be
  • Hiányzik a kód azonnali felhasználáshoz, így időbe telik.
  • Eredetileg a Lua nevű programozási nyelven alapszik, és kevesen tudják ezt.

Accord.Net

Accord.net egy C # alapú keret, amely elősegíti az audio és képfeldolgozáshoz használt neurális hálózatok fejlesztését.

Az alkalmazások ezt kereskedelmi céllal is felhasználhatják számítógépes látásalkalmazások, jelfeldolgozás, valamint statisztikai alkalmazások előállítására.

Jellemzők

  • Érett, jól tesztelt kódbázis, ahogy 2012-ben elindították
  • Átfogó mintamintákat és adatkészleteket biztosít az alkalmazás gyors elindításához

Előnyök

  • Folyamatosan támogatja egy aktív fejlesztői csapat.
  • Ez a jól dokumentált keretrendszer, amely hatékonyan kezeli a számok intenzív számítását és megjelenítését
  • Az algoritmusok megvalósítása és a jelfeldolgozás kényelmesen elvégezhető ezzel a kerettel.
  • Könnyen képes kezelni a numerikus optimalizálást és a mesterséges idegi hálókat.

Hátrányok

  • Más keretekhez viszonyítva nem nagyon ismert.
  • Teljesítménye lassabb a többi kerethez képest.

Apache Mahout

Apache Mahout, mivel nyílt forráskódú keret, skálázható gépi tanulási keretek fejlesztésére irányul. Nem foglalkozik az API-kkal, mint önmagában, hanem segít új gépi tanulási algoritmusok megvalósításában az adattudósok és mérnökök által.

Jellemzők

  • Ismert a Scala DSL, amely matematikai szempontból nagyon kifejező
  • Kiterjeszti a támogatást több elosztott háttérprogramra.

Előnyök

  • Segít a klaszterezésben, az együttműködési szűrésben és az osztályozásban.
  • Számítási műveletei a Java könyvtárakat használják, ami gyorsabb.

Hátrányok

  • A Python könyvtárak nem olyan kompatibilisek ezzel a kerettel, mint a Java könyvtárak.
  • Számítási műveletei lassabbak, mint a Spark MLib.

Spark MLib

Spark MLib az Apache keretrendszerét az R, a Scala, a Java és a Python támogatja. Tölthető Hadoop munkafolyamatokkal olyan gépi tanulási algoritmusok biztosítására, mint például osztályozás, regresszió és fürtözés.

A Hadoop mellett integrálható felhő, Apache vagy akár önálló rendszerekbe is.

Jellemzők

  • A nagy teljesítmény az egyik kulcsfontosságú elem, és azt állítják, hogy százszor gyorsabb, mint a MapReduce
  • A Spark rendkívül sokoldalú és több számítógépes környezetben is működik

Előnyök

  • Nagyon sok adatot képes gyorsan feldolgozni, mivel iteratív számításokon működik.
  • Sok nyelven elérhető és könnyen csatlakoztatható.
  • Könnyen ciklikusan feldolgozza az adatfeldolgozást.

Hátrányok

  • Csak Hadoop-nal lehet csatlakoztatni.
  • Nehéz megérteni ennek a keretrendszernek a mechanizmusát, erre kiterjedő munka nélkül

AI keretösszehasonlítás

KeretrendszerNyelvNyílt forráskód?Az építészet jellemzői
TensorFlowC ++ vagy PythonIgenAdatszerkezeteket használ
Microsoft CNTKC++IgenGPU / CPU alapú. Támogatja az RNN, GNN és ​​CNN szolgáltatásokat.
CaffeC++IgenÉpítészete támogatja a CNN-t
TheanoPitonIgenRugalmas architektúra, amely lehetővé teszi a telepítést bármilyen GPU-ban vagy CPU-ban
Amazon gépi tanulásTöbb nyelvIgenAz Amazontól érkező AWS-t használ.
FáklyaLuaIgenÉpítészete nagy teljesítményű számításokat tesz lehetővé.
Accord.NetC #IgenKépesek tudományos számításokra és mintázatfelismerésre.
Apache MahoutJava, ScalaIgenKépes arra, hogy a gépek megtanuljanak programozás nélkül
Spark MLibR, Scala, Java és PythonIgenIllesztőprogramok és végrehajtók futnak a processzorukban. Vízszintes vagy függőleges klaszterek.

Remélem, hogy a fenti segít kiválasztani az AI keretrendszert a következő modern alkalmazásfejlesztéshez.

Ha fejlesztő vagy, és alapos tanulást szeretne megtanulni az AI-be való bejutáshoz, akkor fontolóra veheti ezt speciális online tanfolyam a Coursera által.

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Like this post? Please share to your friends:
    Adblock
    detector
    map