Који оквир за дубоко учење користити?

Ако сте упознати са дубоким учењем, вероватно сте више пута чули фразу ПиТорцх вс. ТенсорФлов.

ПиТорцх и ТенсорФлов су два најпопуларнија оквира за дубоко учење. Овај водич представља свеобухватан преглед значајних карактеристика ова два оквира — да вам помогне да одлучите који оквир да користите — за ваш следећи пројекат дубоког учења.

У овом чланку ћемо прво представити два оквира: ПиТорцх и ТенсорФлов. А затим сумирајте карактеристике које нуде.

Почнимо!

Шта је ПиТорцх?

ПиТорцх је оквир отвореног кода за изградњу модела машинског учења и дубоког учења за различите апликације, укључујући обраду природног језика и машинско учење.

То је Питхониц оквир који је развио Мета АИ (од Фацебоок АИ) 2016. године, заснован на Торцх-у, пакету написаном на Луа.

Недавно је Мета АИ објавио ПиТорцх 2.0. Ново издање нуди бољу подршку за дистрибуирану обуку, компилацију модела и неуронске мреже графова (ГНН), између осталог.

Шта је ТенсорФлов?

Представљен 2014. године, ТенсорФлов је Гоогле-ов оквир за машинско учење отвореног кода од краја до краја. Долази са функцијама за припрему података, примену модела и МЛОпс.

Уз ТенсорФлов, добијате подршку за развој на више платформи и готову подршку за све фазе животног циклуса машинског учења.

ПиТорцх против ТенсорФлов-а

И ПиТорцх и ТенсорФлов су супер популарни оквири у заједници дубоког учења. За већину апликација на којима желите да радите, оба ова оквира пружају уграђену подршку.

Извор слике: стар-хистори.цом

Овде ћемо сумирати кључне карактеристике ПиТорцх-а и ТенсорФлов-а и такође идентификовати случајеве употребе у којима бисте можда више волели један оквир у односу на други.

#1. Библиотека скупова података и унапред обучених модела

Оквир за дубоко учење треба да долази са укљученим батеријама. Често не бисте желели да кодирате модел од нуле. Уместо тога, можете искористити унапред обучене моделе и фино их прилагодити свом случају употребе.

  Како легално преузимати филмове за бесплатно гледање ван мреже

Слично томе, желели бисмо да скупови података који се најчешће користе буду лако доступни. Ово би нам омогућило да брзо изградимо експерименталне моделе без потребе да постављамо цевовод за прикупљање података или увозимо и чистимо податке из других извора.

У том циљу, желели бисмо да ови оквири долазе са скуповима података и унапред обученим моделима како бисмо могли много брже да добијемо основни модел.

ПиТорцх скупови података и модели

ПиТорцх има библиотеке као што су торцхтект, торцхаудио и торцхвисион за НЛП, аудио и задатке обраде слике. Дакле, када радите са ПиТорцх-ом, можете искористити скупове података и моделе које обезбеђују ове библиотеке, укључујући:

  • торцхтект.сетови података и торцхтект.модели за скупове података и обраду за задатке обраде природног језика
  • торцхвисион.датасетс и торцхвисион.моделс обезбеђују скупове података слика и унапред обучене моделе за задатке компјутерског вида
  • торцхаудио.датасетс и торцхаудио.моделс за скупове података и унапред обучене тежине модела и услужни програми за машинско учење на аудио

ТенсорФлов скупови података и модели

Поред тога, можете потражити и ПиТорцх и ТенсорФлов моделе у ХуггингФаце Модел Хуб-у.

#2. Подршка за примену

У дебати ПиТорцх против ТенсорФлов-а подршка за примену често заузима централно место.

Модел машинског учења који одлично функционише у вашем локалном развојном окружењу је добра полазна тачка. Међутим, да бисте извукли вредност из модела машинског учења, важно је да их примените у производњу и да их континуирано надгледате.

У овом одељку ћемо погледати функције које ПиТорцх и ТенсорФлов нуде за примену модела машинског учења у производњу.

ТенсорФлов Ектендед (ТФКС)

ТенсорФлов Ектендед, скраћено тфк, је оквир за примену који је заснован на ТенсорФлов-у. Пружа функционалност која вам помаже да оркестрирате и одржавате цевоводе за машинско учење. Пружа функције за валидацију података и трансформацију података, између осталог.

Уз ТенсорФлов Сервинг, можете да примените моделе машинског учења у производним окружењима.

ТорцхСерве

Постоји опште мишљење да је ПиТорцх популаран у истраживачкој заједници, док је ТенсорФлов популаран у индустрији. Међутим, недавно су оба ова оквира нашла широку употребу.

Као и ТенсорФлов Сервинг, ПиТорцх обезбеђује ТорцхСерве, оквир једноставан за коришћење који олакшава послуживање ПиТорцх модела у производњи. Поред тога, ТенсорФлов Лите можете користити и за примену модела машинског учења на мобилним и другим ивичним уређајима.

  5 црвених заставица за идентификацију пхисхинг веб локације

Упркос томе што оба оквира пружају подршку за примену, ТенсорФлов изворно подржава примену модела. Стога је то пожељан избор у производним окружењима.

#3. Карактеристике за интерпретабилност модела

Можете да направите моделе дубоког учења за апликације које се користе у доменима као што су здравство и финансије. Али ако су модели црне кутије које дају дату ознаку или предвиђање, постоји изазов тумачења предвиђања модела.

Ово је довело до интерпретабилног машинског учења (или објашњивог МЛ) како би се дошли до приступа којима се објашњава рад неуронских мрежа и других модела машинског учења.

Стога је интерпретабилност изузетно важна за дубоко учење и боље разумевање рада неуронских мрежа. И видећемо које функције ПиТорцх и ТенсорФлов нуде за исте.

ПиТорцх Цаптум

ПиТорцх Цаптум, библиотека интерпретабилности модела за ПиТорцх, пружа неколико функција за интерпретабилност модела.

Ове функције укључују методе приписивања као што су:

  • Интегрисани градијенти
  • ЛИМЕ, СХАП
  • ДеепЛИФТ
  • ГрадЦАМ и варијанте
  • Методе атрибуције слојева

ТенсорФлов Екплаин (тф-екплаин)

Тенсорфлов Екплаин (тф-екплаин) је библиотека која пружа функционалност за интерпретацију неуронске мреже, укључујући:

  • Интегрисани градијенти
  • ГрадЦАМ
  • СмоотхГрад
  • Градијент ваниле и још много тога.

До сада смо видели карактеристике за интерпретабилност. Пређимо на још један важан аспект – приватност.

#4. Подршка за машинско учење које чува приватност

Корисност модела машинског учења зависи од приступа подацима из стварног света. Међутим, ово долази са лошом страном да се губи приватност података. Недавно је дошло до значајног напретка око техника машинског учења које чувају приватност, као што су диференцијална приватност и удружено учење.

ПиТорцх Опацус

Обука диференцијално приватног модела осигурава да поједини записи и даље уче корисне информације о скупу података у целини.

А ПиТорцх Опацус вам омогућава да тренирате моделе са диференцијалном приватношћу. Да бисте научили како да примените обуку по различитим приватним моделима, погледајте увод у Опацус.

ТенсорФлов Федератед

Федеративно учење уклања потребу за централизованим ентитетом за прикупљање и обраду података. У федералном окружењу, подаци никада не напуштају власника или просторије. Стога, удружено учење олакшава боље управљање подацима.

ТенсорФлов Федератед пружа функционалност за обуку модела машинског учења на децентрализованим подацима.

#5. Лакоћа учења

ПиТорцх је Питхониц оквир за дубоко учење. Удобно кодирање у ПиТорцх-у захтева средње познавање Питхон-а, укључујући добро разумевање концепта објектно оријентисаног програмирања као што је наслеђивање.

  40 Питања и одговори за интервју за ВМваре заснован на сценарију

С друге стране, уз ТенсорФлов, можете користити Керас АПИ. Овај АПИ високог нивоа апстрахује неке од детаља имплементације ниског нивоа. Као резултат тога, ако тек почињете са изградњом модела дубоког учења, можда ће вам Керас бити лакши за коришћење.

ПиТорцх против ТенсорФлов: Преглед

До сада смо разговарали о карактеристикама ПиТорцх-а и ТенсорФлов-а. Ево свеобухватног поређења:

ФеатуреПиТорцхТенсорФловДатасетс и унапред обучени модели у торцхтект, тоуцх аудио и торцхвисион Библиотека скупова података и унапред обучених моделаСкупови података и унапред обучени модели у торцхтект, торцхаудио и торцхвисионДеплоиментТорцхСерве за сервирање модела за сервирање модела за машинско учење Тенсор и Интерекплоу за Тенсор-Флоу за моделе Придел-Екплои-Т Очување машинског учења ПиТорцх Опацус-а за различито приватни модел обукеТенсорФлов Федератед за федерално машинско учење Лакоћа учења Захтева средње знање у Питхон-у Релативно лакше за учење и коришћење

Ресурси за учење

На крају, хајде да завршимо нашу дискусију тако што ћемо прегледати неке корисне ресурсе за учење ПиТорцх-а и ТенсорФлов-а. Ово није исцрпна листа, већ листа одабраних ресурса који ће вас брзо убрзати са овим оквирима.

#1. Дубоко учење са ПиТорцх-ом: 60-минутни Блитз

60-минутни блитз туторијал на званичном сајту ПиТорцх-а је одличан извор за учење ПиТорцх-а за почетнике.

Овај водич ће вам помоћи да почнете да користите Питорцх основе као што су тензори и аутограми, и да изградите основну неуронску мрежу за класификацију слика помоћу ПиТорцха.

#2. Дубоко учење са ПиТорцх-ом: од нула до ГАН-ова

Дубоко учење са ПиТорцх: Зеро то ГАНс од Јовиан.аи је још један свеобухватан ресурс за учење дубоког учења са ПиТорцх-ом. Током отприлике шест недеља, можете научити:

  • Основе ПиТорцх-а: тензори и градијенти
  • Линеарна регресија у ПиТорцх-у
  • Изградња дубоких неуронских мрежа, ЦонвНетс и РесНетс у ПиТорцх-у
  • Изградња генеративних супарничких мрежа (ГАН)

#3. ТенсорФлов 2.0 Комплетан курс

Ако желите да се навикнете на ТенсорФлов, ТенсорФлов 2.0 Цомплете Цоурсе на фрееЦодеЦамп каналу заједнице ће вам бити од помоћи.

#4. ТенсорФлов – Питхон ДеепЛизард АПИ за дубоко учење неуронске мреже

Још један одличан ТенсорФлов курс за почетнике је ДеепЛизард. У овом ТенсорФлов курсу прилагођеном почетницима, научићете основе дубоког учења, укључујући:

  • Учитавање и претходна обрада скупова података
  • Изградња ваниле неуронских мрежа
  • Изградња конволуционих неуронских мрежа (ЦНН)

Закључак

Укратко, овај чланак вам је помогао да добијете преглед на високом нивоу о ПиТорцх-у и ТенсорФлов-у. Избор оптималног оквира зависиће од пројекта на којем радите. Поред тога, ово би захтевало од вас да узмете у обзир подршку за примену, објашњивост и још много тога.

Да ли сте Питхон програмер који жели да научи ове оквире? Ако јесте, можете размислити о истраживању једног или више ресурса који су наведени изнад.

А ако сте заинтересовани за НЛП, погледајте ову листу курсева за обраду природног језика које треба да похађате. Срећно учење!