Kecerdasan buatan semakin popular sejak 2016 dengan, 20% syarikat besar menggunakan AI dalam perniagaan mereka (laporan McKinsey, 2018). Menurut laporan yang sama AI dapat menghasilkan nilai yang besar di seluruh industri. Dalam perbankan, misalnya, potensi AI diperkirakan $ 300 miliar, secara runcit jumlahnya meroket hingga $ 600 miliar.
Untuk membuka nilai potensi AI, syarikat mesti memilih kerangka pembelajaran mendalam yang tepat. Dalam tutorial ini, anda akan belajar mengenai pelbagai perpustakaan yang ada untuk melaksanakan tugas pembelajaran mendalam. Beberapa perpustakaan telah wujud selama bertahun-tahun sementara perpustakaan baru seperti TensorFlow telah muncul dalam beberapa tahun kebelakangan.
8 Perpustakaan / Kerangka Pembelajaran mendalam
Dalam senarai ini, kami akan membandingkan kerangka pembelajaran Deep mendalam teratas. Kesemuanya adalah sumber terbuka dan popular di komuniti saintis data. Kami juga akan membandingkan ML yang popular sebagai penyedia perkhidmatan
Obor
Torch adalah perpustakaan pembelajaran mesin sumber terbuka lama. Ia pertama kali dikeluarkan adalah 15 tahun yang lalu. Bahasa pengaturcaraan utama adalah LUA, tetapi memiliki implementasi di C. Membandingkan PyTorch vs TensorFlow, ia menyokong perpustakaan yang luas untuk algoritma pembelajaran mesin, termasuk pembelajaran mendalam. Ia menyokong pelaksanaan CUDA untuk pengiraan selari.
Alat pembelajaran dalam obor digunakan oleh kebanyakan makmal terkemuka seperti Facebook, Google, Twitter, Nvidia, dan sebagainya. Torch mempunyai perpustakaan di Python dengan nama Pytorch.
Infer.net
Infer.net dibangunkan dan dikendalikan oleh Microsoft. Infer.net adalah perpustakaan dengan fokus utama pada statistik Bayesian. Infer.net adalah alat visualisasi untuk Pembelajaran Dalam yang dirancang untuk menawarkan algoritma praktik terkini untuk pemodelan probabilistik. Perpustakaan ini mengandungi alat analisis seperti analisis Bayesian, rantai Markov tersembunyi, pengelompokan.
Keras
Keras adalah kerangka Python untuk pembelajaran mendalam. Ini adalah perpustakaan yang sesuai untuk membina algoritma pembelajaran mendalam. Kelebihan Keras ialah menggunakan kod Python yang sama untuk dijalankan pada CPU atau GPU. Selain itu, persekitaran pengekodan suci dan memungkinkan untuk melatih algoritma canggih untuk penglihatan komputer, pengenalan teks antara lain.
Keras telah dikembangkan oleh François Chollet, seorang penyelidik di Google. Keras digunakan dalam organisasi terkemuka seperti CERN, Yelp, Square atau Google, Netflix, dan Uber.
Theano
Theano adalah perpustakaan pembelajaran mendalam yang dikembangkan oleh Université de Montréal pada tahun 2007. Membandingkan Theano vs TensorFlow, ia menawarkan pengiraan yang cepat dan dapat dijalankan pada CPU dan GPU. Theano telah dikembangkan untuk melatih algoritma rangkaian neural mendalam.
Toolkit Kognitif Microsoft (CNTK)
Toolkit Microsoft, yang sebelumnya dikenali sebagai CNTK, adalah perpustakaan pembelajaran mendalam yang dibangunkan oleh Microsoft. Menurut Microsoft, perpustakaan itu antara yang terpantas di pasaran. Toolkit Microsoft adalah perpustakaan sumber terbuka, walaupun Microsoft menggunakannya secara meluas untuk produknya seperti Skype, Cortana, Bing, dan Xbox. Kit alat ini tersedia dalam Python dan C ++.
MXNet
MXnet adalah perpustakaan pembelajaran mendalam baru-baru ini. Ia boleh diakses dengan pelbagai bahasa pengaturcaraan termasuk C ++, Julia, Python dan R. MXNet dapat dikonfigurasi untuk berfungsi pada CPU dan GPU. MXNet merangkumi seni bina pembelajaran mendalam yang canggih seperti Rangkaian Neural Konvolusional dan Memori Jangka Panjang. MXNet dibina untuk berfungsi selaras dengan infrastruktur awan dinamik. Pengguna utama MXNet adalah Amazon
Kafe
Caffe adalah perpustakaan yang dibina oleh Yangqing Jia ketika dia pelajar PhD di Berkeley. Membandingkan Caffe vs TensorFlow, Caffe ditulis dalam C ++ dan dapat melakukan pengiraan pada CPU dan GPU. Kegunaan utama Caffe adalah Rangkaian Neural Konvolusional. Walaupun, pada tahun 2017, Facebook memperluas Caffe dengan seni bina pembelajaran yang lebih mendalam, termasuk Rangkaian Neural Berulang. Caffe digunakan oleh ahli akademik dan pemula tetapi juga beberapa syarikat besar seperti Yahoo !.
TensorFlow
TensorFlow adalah projek sumber terbuka Google. TensorFlow adalah perpustakaan pembelajaran mendalam yang paling terkenal pada masa ini. Ia dilancarkan kepada umum pada akhir 2015
TensorFlow dikembangkan di C ++ dan mempunyai Python API yang mudah, walaupun C ++ API juga tersedia. Syarikat terkemuka seperti Airbus, Google, IBM dan sebagainya menggunakan TensorFlow untuk menghasilkan algoritma pembelajaran mendalam.
TensorFlow Vs Theano Vs Torch Vs Keras Vs infer.net Vs CNTK Vs MXNet Vs Caffe: Perbezaan Utama
| Perpustakaan | Pelantar | Ditulis dalam | Sokongan Cuda | Pelaksanaan Selari | Mempunyai model terlatih | RNN | CNN |
|---|---|---|---|---|---|---|---|
| Obor | Linux, MacOS, Windows | Lua | Ya | Ya | Ya | Ya | Ya |
| Membuat kesimpulan.Net | Linux, MacOS, Windows | Studio Visual | Tidak | Tidak | Tidak | Tidak | Tidak |
| Keras | Linux, MacOS, Windows | Python | Ya | Ya | Ya | Ya | Ya |
| Theano | Merentas platform | Python | Ya | Ya | Ya | Ya | Ya |
| TensorFlow | Linux, MacOS, Windows, Android | C ++, Python, CUDA | Ya | Ya | Ya | Ya | Ya |
| ALAT KOGNITIF MICROSOFT | Linux, Windows, Mac dengan Docker | C ++ | Ya | Ya | Ya | Ya | Ya |
| Kafe | Linux, MacOS, Windows | C ++ | Ya | Ya | Ya | Ya | Ya |
| MXNet | Linux, Windows, MacOs, Android, iOS, Javascript | C ++ | Ya | Ya | Ya | Ya | Ya |
Keputusan:
TensorFlow adalah perpustakaan terbaik kerana dibina untuk diakses oleh semua orang. Perpustakaan Tensorflow menggabungkan API yang berbeza untuk dibina dalam seni bina pembelajaran mendalam seperti CNN atau RNN. TensorFlow berdasarkan pengiraan grafik, ia membolehkan pemaju untuk memvisualisasikan pembinaan rangkaian neural dengan Tensorboad. Alat ini berguna untuk menyahpepijat program. Akhirnya, Tensorflow dibina untuk digunakan pada skala besar. Ia berjalan pada CPU dan GPU.
Tensorflow menarik populariti terbesar di GitHub berbanding dengan perpustakaan pembelajaran mendalam yang lain.
Membandingkan Pembelajaran Mesin sebagai Perkhidmatan
Berikut adalah 4 DL yang popular sebagai penyedia perkhidmatan
Google Cloud ML
Google menyediakan model pra-latihan pembangun yang tersedia dalam Cloud AutoML. Penyelesaian ini ada untuk pemaju tanpa latar belakang yang kuat dalam pembelajaran mesin. Pembangun boleh menggunakan model pra-terlatih Google yang canggih pada data mereka. Ini membolehkan mana-mana pembangun melatih dan menilai sebarang model hanya dalam beberapa minit.
Google kini menyediakan REST API untuk penglihatan komputer, pengecaman pertuturan, terjemahan, dan NLP.
Dengan menggunakan Google Cloud, anda dapat melatih kerangka pembelajaran mesin yang dibina berdasarkan TensorFlow, Scikit-learn, XGBoost atau Keras. Pembelajaran mesin Google Cloud akan melatih model melintasi awannya.
Kelebihan menggunakan pengkomputeran awan Google adalah kesederhanaan untuk menerapkan pembelajaran mesin ke dalam pengeluaran. Tidak perlu menyediakan bekas Docker. Selain itu, awan menjaga infrastruktur. Ia tahu bagaimana memperuntukkan sumber dengan CPU, GPU, dan TPU. Ia menjadikan latihan lebih pantas dengan pengiraan selari.
AWS SageMaker
Pesaing utama Google Cloud adalah awan Amazon, AWS. Amazon telah mengembangkan Amazon SageMaker untuk membolehkan para saintis dan pemaju data membina, melatih dan memperkenalkan model pembelajaran mesin.
SageMaker boleh didapati di Jupyter Notebook dan merangkumi perpustakaan pembelajaran mesin yang paling banyak digunakan, TensorFlow, MXNet, Scikit-learning antara lain. Program yang ditulis dengan SageMaker dijalankan secara automatik dalam bekas Docker. Amazon menangani peruntukan sumber untuk mengoptimumkan latihan dan penggunaan.
Amazon menyediakan API kepada para pembangun untuk menambahkan kepintaran pada aplikasi mereka. Dalam beberapa kesempatan, tidak perlu melakukan penemuan kembali roda dengan membangun dari model baru sementara ada model pra-terlatih yang kuat di awan. Amazon menyediakan perkhidmatan API untuk penglihatan komputer, bot perbualan dan perkhidmatan bahasa:
Tiga API utama yang ada adalah:
- Amazon Recognition: memberikan pengecaman gambar dan video ke aplikasi
- Amazon Comprehend: Melakukan perlombongan teks dan pemrosesan bahasa neural untuk, misalnya, mengotomatisasi proses memeriksa kesahihan dokumen kewangan
- Amazon Lex: Tambahkan chatbot ke aplikasi
Studio Pembelajaran Mesin Azure
Mungkin salah satu pendekatan yang paling mesra untuk pembelajaran mesin adalah Azure Machine Learning Studio. Kelebihan ketara dari penyelesaian ini adalah bahawa tidak memerlukan pengetahuan pengaturcaraan sebelumnya.
Microsoft Azure Machine Learning Studio adalah alat kolaborasi drag-and-drop untuk membuat, melatih, menilai dan menggunakan penyelesaian pembelajaran mesin. Model ini dapat digunakan dengan berkesan sebagai perkhidmatan web dan digunakan dalam beberapa aplikasi seperti Excel.
Antaramuka pembelajaran Mesin Azure bersifat interaktif, membolehkan pengguna membina model hanya dengan menyeret dan menjatuhkan elemen dengan cepat.
Apabila model sudah siap, pembangun dapat menyimpannya dan mendorongnya ke Galeri Azure atau Azure Marketplace.
Pembelajaran Mesin Azure dapat disatukan ke dalam R atau Python pakej terbina dalam mereka.
IBM Watson ML
Watson studio dapat mempermudah projek data dengan proses yang diperkemas yang memungkinkan pengekstrakan nilai dan pandangan dari data untuk membantu perniagaan menjadi lebih pintar dan pantas. Studio Watson memberikan persekitaran sains dan mesin pembelajaran kolaboratif yang mudah digunakan untuk membina dan melatih model, menyiapkan dan menganalisis data, dan berkongsi pandangan semua di satu tempat. Watson Studio mudah digunakan dengan kod drag-and-drop.
Studio Watson menyokong beberapa kerangka kerja yang paling popular seperti Tensorflow, Keras, Pytorch, Caffe dan dapat menggunakan algoritma pembelajaran mendalam ke GPU terbaru dari Nvidia untuk membantu mempercepat pemodelan.
Keputusan:
Pada pandangan kami, penyelesaian awan Google adalah yang paling disyorkan. Penyelesaian awan Google memberikan harga AWS yang lebih rendah sekurang-kurangnya 30% untuk penyimpanan data dan penyelesaian pembelajaran mesin. Google melakukan tugas yang sangat baik untuk mendemokrasikan AI. Ia telah mengembangkan bahasa sumber terbuka, TensorFlow, sambungan data warehouse yang dioptimumkan, menyediakan alat yang luar biasa dari visualisasi data, analisis data hingga pembelajaran mesin. Selain itu, Konsol Google ergonomik dan jauh lebih komprehensif daripada AWS atau Windows.