A mesterséges intelligencia egyre népszerűbb 2016 óta, a nagyvállalatok 20% -a használja mesterséges intelligenciáját a vállalkozásában (McKinsey jelentés, 2018). Ugyanezen jelentés szerint az AI jelentős értéket teremthet az iparágakon belül. A banki, például a potenciális AI becsülik $ 300 milliárd lakossági száma az egekbe szöknek az $ 600 milliárd.
Az AI potenciális értékének kiaknázása érdekében a vállalatoknak a megfelelő mély tanulási keretet kell kiválasztaniuk. Ebben az oktatóanyagban megismerheti a mély tanulási feladatok elvégzéséhez rendelkezésre álló különböző könyvtárakat. Egyes könyvtárak évek óta léteznek, míg az utóbbi években olyan új könyvtárak kerültek napvilágra, mint a TensorFlow.
8 legjobb mély tanulási könyvtár / keretrendszer
Ebben a listában összehasonlítjuk a legjobb Deep Learning keretrendszereket. Mindegyikük nyílt forráskódú és népszerű az adatkutató közösségben. Összehasonlítjuk a népszerű ML szolgáltatókat is
Fáklya
A Torch egy régi nyílt forráskódú gépi tanulási könyvtár. 15 évvel ezelőtt jelent meg először. Az elsődleges programozási nyelvek az LUA, de van egy megvalósítása a C-ben. A PyTorch és a TensorFlow összehasonlításával egy hatalmas könyvtárat támogat a gépi tanulási algoritmusokhoz, beleértve a mély tanulást is. Támogatja a CUDA megvalósítását a párhuzamos számításhoz.
A zseblámpa mélytanulási eszközt a legtöbb vezető laboratórium, például a Facebook, a Google, a Twitter, az Nvidia stb. Használja. A Torch Python néven Pytorch nevű könyvtárral rendelkezik.
Infer.net
Az Infer.net webhelyet a Microsoft fejleszti és tartja fenn. Az Infer.net egy olyan könyvtár, amelynek elsődleges célja a Bayes-statisztika. Az Infer.net a Deep Learning vizualizációs eszköze, amelynek célja a gyakorlati szakemberek korszerű algoritmusainak kínálata a valószínűségi modellezéshez. A könyvtár olyan elemzési eszközöket tartalmaz, mint a Bayes-elemzés, a rejtett Markov-lánc, a klaszterezés.
Keras
A Keras egy Python keretrendszer a mély tanuláshoz. Kényelmes könyvtár bármely mély tanulási algoritmus elkészítéséhez. A Keras előnye, hogy ugyanazt a Python-kódot használja CPU-n vagy GPU-n történő futtatáshoz. Ezenkívül a kódolási környezet tiszta, és lehetővé teszi a legmodernebb algoritmus képzését a számítógépes látáshoz, a szövegfelismeréshez.
A Keras-t François Chollet, a Google kutatója fejlesztette ki. A Keras-t olyan prominens szervezetek használják, mint a CERN, a Yelp, a Square vagy a Google, a Netflix és az Uber.
Theano
A Theano egy mély tanulási könyvtár, amelyet az Université de Montréal fejlesztett ki 2007-ben. A Theano és a TensorFlow összehasonlításával gyors számítást kínál, és mind CPU-n, mind GPU-n futtatható. A Theano-t mély neurális hálózati algoritmusok képzésére fejlesztették ki.
Microsoft kognitív eszközkészlet (CNTK)
A Microsoft toolkit, korábban CNTK néven ismert, a Microsoft által kifejlesztett mély tanulási könyvtár. A Microsoft szerint a könyvtár a piacon a leggyorsabbak közé tartozik. A Microsoft toolkit egy nyílt forráskódú könyvtár, bár a Microsoft széles körben használja termékéhez, például a Skype-hoz, a Cortana-hoz, a Binghez és az Xbox-hoz. Az eszköztár Python és C ++ nyelven is elérhető.
MXNet
Az MXnet egy nemrégiben készült mély tanulási könyvtár. Több programozási nyelvvel érhető el, beleértve a C ++, Julia, Python és R. MXNet konfigurálható úgy, hogy mind a CPU-n, mind a GPU-n működjön. Az MXNet olyan korszerű mély tanulási architektúrát tartalmaz, mint a konvolúciós neurális hálózat és a hosszú rövid távú memória. Az MXNet úgy van kialakítva, hogy összhangban álljon a dinamikus felhő-infrastruktúrával. Az MXNet fő felhasználója az Amazon
Caffe
A Caffe egy könyvtár, amelyet Yangqing Jia épített, amikor PhD hallgató volt a Berkeley-ben. A Caffe és a TensorFlow összehasonlításával a Caffe C ++ nyelven íródott, és mind a CPU-n, mind a GPU-n számításokat végezhet. A Caffe elsődleges felhasználási területe a konvolúciós neurális hálózat. Bár 2017-ben a Facebook mélyebb tanulási architektúrával bővítette a Caffe-t, ideértve a Recurrent Neural Network-t is. A Caffe-t akadémikusok és startupok használják, de néhány olyan nagyvállalat is, mint a Yahoo !.
TensorFlow
A TensorFlow a Google nyílt forráskódú projektje. A TensorFlow manapság a leghíresebb mély tanulási könyvtár. 2015 végén jelent meg a nyilvánosság előtt
A TensorFlow C ++ nyelven készült, és kényelmes Python API-val rendelkezik, bár C ++ API-k is rendelkezésre állnak. Olyan prominens vállalatok, mint az Airbus, a Google, az IBM és így tovább, a TensorFlow segítségével mély tanulási algoritmusokat állítanak elő.
TensorFlow Vs Theano vs Fáklya vs Keras Vs infer.net Vs CNTK Vs MXNet Vs Caffe: Főbb különbségek
| Könyvtár | Felület | Beírva | Cuda támogatása | Párhuzamos végrehajtás | Képzett modellekkel rendelkezik | RNN | CNN |
|---|---|---|---|---|---|---|---|
| Fáklya | Linux, MacOS, Windows | Lua | Igen | Igen | Igen | Igen | Igen |
| Infer.Net | Linux, MacOS, Windows | Vizuális Stúdió | Nem | Nem | Nem | Nem | Nem |
| Keras | Linux, MacOS, Windows | Piton | Igen | Igen | Igen | Igen | Igen |
| Theano | Cross-platform | Piton | Igen | Igen | Igen | Igen | Igen |
| TensorFlow | Linux, MacOS, Windows, Android | C ++, Python, CUDA | Igen | Igen | Igen | Igen | Igen |
| MICROSOFT KOGNITÍV ESZKÖZ | Linux, Windows, Mac a Dockerrel | C ++ | Igen | Igen | Igen | Igen | Igen |
| Caffe | Linux, MacOS, Windows | C ++ | Igen | Igen | Igen | Igen | Igen |
| MXNet | Linux, Windows, MacOs, Android, iOS, Javascript | C ++ | Igen | Igen | Igen | Igen | Igen |
Ítélet:
A TensorFlow a legjobb könyvtár, mivel mindenki számára hozzáférhető. A Tensorflow könyvtár különféle API-kat tartalmaz, mint a nagyméretű mély tanulási architektúra, például a CNN vagy az RNN. A TensorFlow grafikonszámításon alapul, ez lehetővé teszi a fejlesztő számára, hogy a Tensorboad segítségével vizualizálja az ideghálózat felépítését. Ez az eszköz hasznos a program hibakeresésében. Végül a Tensorflow úgy van megépítve, hogy széleskörűen telepíthető legyen. CPU-n és GPU-n fut.
A Tensorflow vonzza a legnagyobb népszerűséget a GitHubon, összehasonlítva a többi mélyen tanuló könyvtárral.
A gépi tanulás mint szolgáltatás összehasonlítása
Az alábbiakban 4 népszerű DL, mint szolgáltató található
Google Cloud ML
A Google fejlesztői előre betanított modellt biztosít a Cloud AutoML szolgáltatásban. Ez a megoldás olyan fejlesztő számára létezik, amelynek nincs erős háttere a gépi tanulásban. A fejlesztők felhasználhatják adataikon a Google legmodernebb, előre kiképzett modelljét. Ez lehetővé teszi minden fejlesztő számára, hogy néhány perc alatt betanítsa és értékelje bármely modellt.
A Google jelenleg REST API-t biztosít a számítógépes látás, a beszédfelismerés, a fordítás és az NLP számára.
A Google Cloud használatával betaníthat egy gépi tanulási keretrendszert, amely a TensorFlow, a Scikit-learn, az XGBoost vagy a Keras alapján épül fel. A Google Cloud gépi tanulás a modelleket a felhőjén keresztül oktatja.
A Google felhőalapú számítás használatának előnye, hogy egyszerű a gépi tanulást a termelésbe telepíteni. Nincs szükség a Docker konténer beállítására. Ezenkívül a felhő gondoskodik az infrastruktúráról. Tudja, hogyan kell kiosztani az erőforrásokat CPU-k, GPU-k és TPU-k segítségével. Párhuzamos számítással gyorsabbá teszi az edzést.
AWS SageMaker
A Google Cloud egyik legnagyobb versenytársa az Amazon cloud, az AWS. Az Amazon kifejlesztette az Amazon SageMaker alkalmazást, amely lehetővé teszi az adatkutatók és fejlesztők számára, hogy bármilyen gépi tanulási modellt felépítsenek, képezzenek és gyártásba hozzanak.
A SageMaker elérhető egy Jupyter Notebook-ban, és többek között a leggyakrabban használt gépi tanulási könyvtárat, a TensorFlow-t, az MXNet-et és a Scikit-learn-et tartalmazza. A SageMakerrel írt programok automatikusan futnak a Docker-tárolókban. Az Amazon kezeli az erőforrás-elosztást a képzés és a telepítés optimalizálása érdekében.
Az Amazon biztosítja az API-t a fejlesztőknek, hogy intelligenciát adhassanak alkalmazásaikhoz. Bizonyos esetekben nincs szükség a kerék újrafeltalálására úgy, hogy a semmiből új modelleket építenek, miközben a felhőben hatalmas, előre kiképzett modellek találhatók. Az Amazon API-szolgáltatásokat nyújt számítógépes látáshoz, beszélgető csevegőrobotokhoz és nyelvi szolgáltatásokhoz:
A három fő elérhető API a következő:
- Amazon Rekognition: kép- és videófelismerést biztosít egy alkalmazás számára
- Amazon Comprehend: Végezzen szövegbányászatot és idegi nyelvi feldolgozást, például automatizálja a pénzügyi dokumentumok jogszerűségének ellenőrzését
- Amazon Lex: Chatbot hozzáadása egy alkalmazáshoz
Azure Machine Learning Studio
Valószínűleg az egyik legbarátságosabb megközelítés a gépi tanuláshoz az Azure Machine Learning Studio. A megoldás jelentős előnye, hogy nincs szükség előzetes programozási ismeretekre.
A Microsoft Azure Machine Learning Studio egy drag-and-drop együttműködési eszköz a gépi tanulási megoldások létrehozásához, kiképzéséhez, értékeléséhez és telepítéséhez. A modell hatékonyan telepíthető webszolgáltatásként, és számos alkalmazásban használható, például az Excel.
Az Azure Machine tanulási felület interaktív, amely lehetővé teszi a felhasználó számára, hogy modellt építsen csak az elemek gyors húzásával.
Amikor a modell készen áll, a fejlesztő elmentheti és az Azure Gallery vagy az Azure Marketplace webhelyre tolhatja.
Az Azure Machine learning integrálható az R vagy a Pythonba, az egyedi beépített csomagjukba.
IBM Watson ML
A Watson stúdió egyszerűsítheti az adatprojekteket egy egyszerűsített folyamattal, amely lehetővé teszi az értékek és betekintések kivonását az adatokból annak érdekében, hogy az üzleti vállalkozások intelligensebbek és gyorsabbak legyenek. A Watson stúdió könnyen használható, együttműködő adattudományi és gépi tanulási környezetet kínál a modellek felépítéséhez és képzéséhez, az adatok előkészítéséhez és elemzéséhez, valamint az információk megosztásához egy helyen. A Watson Stúdiót egyszerűen használhatja a fogd és vidd kóddal.
A Watson stúdió támogatja a legnépszerűbb keretrendszereket, mint például a Tensorflow, a Keras, a Pytorch, a Caffe, és egy mély tanulási algoritmust telepíthet az Nvidia legújabb GPU-jára a modellezés gyorsítása érdekében.
Ítélet:
A mi szempontunk szerint a Google felhőalapú megoldása a leginkább ajánlott. A Google felhőalapú megoldása legalább 30% -kal alacsonyabb áron biztosítja az AWS-t az adattároláshoz és a gépi tanuláshoz. A Google kiváló munkát végez az AI demokratizálásában. Fejlesztett egy nyílt forráskódú nyelvet, a TensorFlow-t, optimalizált adattárházi kapcsolatot, és hatalmas eszközöket kínál az adatok vizualizációjától, az adatok elemzésétől a gépi tanulásig. Ezenkívül a Google Console ergonómikus és sokkal átfogóbb, mint az AWS vagy a Windows.