Umělá inteligence roste na popularitě od roku 2016, přičemž 20% velkých společností využívá umělou inteligenci ve svých podnicích (zpráva McKinsey, 2018). Podle stejné zprávy může AI vytvářet významnou hodnotu napříč průmyslovými odvětvími. V bankovnictví, například potenciál AI se odhaduje na $ 300 miliard v maloobchodním čísla raketa na $ 600 miliard korun.
K uvolnění potenciální hodnoty AI musí společnosti zvolit správný rámec hlubokého učení. V tomto kurzu se dozvíte o různých knihovnách, které jsou k dispozici pro provádění úloh hlubokého učení. Některé knihovny existují už léta, zatímco v posledních letech vyšla najevo nová knihovna jako TensorFlow.
8 Nejlepší knihovny / rámec pro hluboké učení
V tomto seznamu porovnáme nejlepší rámce Deep Learning. Všechny z nich jsou open source a populární v komunitě datových vědců. Porovnáme také populární ML jako poskytovatele služeb
Pochodeň
Torch je stará knihovna s otevřeným zdrojovým kódem pro strojové učení. Poprvé byl vydán před 15 lety. Je to primární programovací jazyk LUA, ale má implementaci v C. Ve srovnání s PyTorch vs TensorFlow podporuje rozsáhlou knihovnu pro algoritmy strojového učení, včetně hlubokého učení. Podporuje implementaci CUDA pro paralelní výpočet.
Nástroj hlubokého učení pochodně používá většina předních laboratoří, jako je Facebook, Google, Twitter, Nvidia atd. Torch má knihovnu v Pythonu s názvy Pytorch.
Infer.net
Infer.net je vyvíjen a udržován společností Microsoft. Infer.net je knihovna primárně zaměřená na Bayesovskou statistiku. Infer.net je vizualizační nástroj pro Deep Learning navržený tak, aby odborníkům nabízel nejmodernější algoritmy pro pravděpodobnostní modelování. Knihovna obsahuje analytické nástroje, jako je Bayesiánská analýza, skrytý Markovův řetězec, shlukování.
Keras
Keras je rámec Pythonu pro hluboké učení. Je to pohodlná knihovna pro konstrukci libovolného algoritmu hlubokého učení. Výhodou produktu Keras je, že ke spuštění na CPU nebo GPU používá stejný kód Pythonu. Kromě toho je prostředí pro kódování čisté a umožňuje trénovat nejmodernější algoritmus pro počítačové vidění, rozpoznávání textu a další.
Keras vyvinul François Chollet, výzkumný pracovník společnosti Google. Keras se používá ve významných organizacích, jako jsou CERN, Yelp, Square nebo Google, Netflix a Uber.
Theano
Theano je knihovna pro hluboké učení vyvinutá Université de Montréal v roce 2007. Ve srovnání s Theano vs TensorFlow nabízí rychlý výpočet a lze ji provozovat na CPU i GPU. Theano byl vyvinut k trénování algoritmů hluboké neurální sítě.
Microsoft Cognitive Toolkit (CNTK)
Sada nástrojů Microsoft, dříve CNTK, je knihovna pro hluboké učení vyvinutá společností Microsoft. Podle společnosti Microsoft patří knihovna mezi nejrychlejší na trhu. Sada nástrojů Microsoft je knihovna s otevřeným zdrojovým kódem, i když ji Microsoft ve velké míře používá pro svůj produkt, jako jsou Skype, Cortana, Bing a Xbox. Sada nástrojů je k dispozici v Pythonu i C ++.
MXNet
MXnet je nedávná knihovna hlubokého učení. Je přístupný v několika programovacích jazycích včetně C ++, Julia, Python a R. MXNet lze nakonfigurovat tak, aby fungoval na CPU i GPU. MXNet zahrnuje nejmodernější architekturu hlubokého učení, jako je Convolutional Neural Network a Long Short-Term Memory. MXNet je vytvořen tak, aby fungoval v souladu s dynamickou cloudovou infrastrukturou. Hlavním uživatelem MXNet je Amazon
Caffe
Caffe je knihovna postavená Yangqing Jia, když byl doktorandem v Berkeley. Porovnáním Caffe vs TensorFlow je Caffe napsán v C ++ a může provádět výpočty na CPU i GPU. Primárním využitím Caffe je konvoluční neurální síť. V roce 2017 Facebook rozšířil Caffe o architekturu hlubšího učení, včetně Recurrent Neural Network. Caffe používají akademici a startupy, ale také některé velké společnosti jako Yahoo !.
TensorFlow
TensorFlow je Google open source projekt. TensorFlow je v dnešní době nejznámější knihovnou hlubokého učení. To bylo propuštěno pro veřejnost na konci roku 2015
TensorFlow je vyvinut v C ++ a má pohodlné Python API, i když jsou k dispozici také C ++ API. Prominentní společnosti jako Airbus, Google, IBM atd. Používají TensorFlow k výrobě algoritmů hlubokého učení.
TensorFlow Vs Theano Vs Torch Vs Keras Vs infer.net Vs CNTK Vs MXNet Vs Caffe: Klíčové rozdíly
| Knihovna | Plošina | Napsáno | Podpora Cuda | Paralelní provedení | Má trénované modely | RNN | CNN |
|---|---|---|---|---|---|---|---|
| Pochodeň | Linux, MacOS, Windows | Lua | Ano | Ano | Ano | Ano | Ano |
| Infer.Net | Linux, MacOS, Windows | Vizuální studio | Ne | Ne | Ne | Ne | Ne |
| Keras | Linux, MacOS, Windows | Krajta | Ano | Ano | Ano | Ano | Ano |
| Theano | Cross-platform | Krajta | Ano | Ano | Ano | Ano | Ano |
| TensorFlow | Linux, MacOS, Windows, Android | C ++, Python, CUDA | Ano | Ano | Ano | Ano | Ano |
| KOGNITIVNÍ NÁSTROJ MICROSOFT | Linux, Windows, Mac s Dockerem | C ++ | Ano | Ano | Ano | Ano | Ano |
| Caffe | Linux, MacOS, Windows | C ++ | Ano | Ano | Ano | Ano | Ano |
| MXNet | Linux, Windows, MacOs, Android, iOS, Javascript | C ++ | Ano | Ano | Ano | Ano | Ano |
Výrok:
TensorFlow je nejlepší knihovna ze všech, protože je postavena tak, aby byla přístupná pro všechny. Knihovna Tensorflow obsahuje různá rozhraní API, která jsou postavena na architektuře hlubokého učení, jako je CNN nebo RNN. TensorFlow je založen na výpočtu grafu, umožňuje vývojáři vizualizovat konstrukci neuronové sítě pomocí Tensorboad. Tento nástroj je užitečný k ladění programu. Nakonec je Tensorflow postaven tak, aby jej bylo možné nasadit ve velkém. Běží na CPU a GPU.
Tensorflow přitahuje největší popularitu na GitHubu ve srovnání s ostatními knihovnami hlubokého učení.
Porovnání strojového učení jako služby
Následuje 4 populární DL jako poskytovatelé služeb
Google Cloud ML
Google poskytuje vývojářem předem vyškolený model dostupný v Cloud AutoML. Toto řešení existuje pro vývojáře bez silného zázemí ve strojovém učení. Vývojáři mohou na svých datech použít nejmodernější předem vyškolený model Google. Umožňuje všem vývojářům trénovat a hodnotit jakýkoli model během několika minut.
Google v současné době poskytuje REST API pro počítačové vidění, rozpoznávání řeči, překlady a NLP.
Pomocí Google Cloud můžete trénovat framework pro strojové učení postavený na TensorFlow, Scikit-learn, XGBoost nebo Keras. Strojové učení Google Cloud bude trénovat modely napříč jeho cloudem.
Výhodou používání cloudových výpočtů Google je jednoduchost nasazení strojového učení do výroby. Není třeba nastavovat kontejner Dockeru. Kromě toho se cloud stará o infrastrukturu. Ví, jak alokovat zdroje s CPU, GPU a TPU. Díky paralelnímu výpočtu je trénink rychlejší.
AWS SageMaker
Hlavním konkurentem Google Cloud je Amazon cloud, AWS. Amazon vyvinul Amazon SageMaker, který umožňuje datovým vědcům a vývojářům vytvářet, trénovat a uvádět do výroby jakékoli modely strojového učení.
SageMaker je k dispozici v notebooku Jupyter a obsahuje mimo jiné nejpoužívanější knihovnu strojového učení TensorFlow, MXNet, Scikit-learn. Programy napsané pomocí SageMakeru se automaticky spouštějí v kontejnerech Dockeru. Amazon zpracovává přidělování prostředků za účelem optimalizace školení a nasazení.
Amazon poskytuje vývojářům rozhraní API za účelem přidání inteligence do jejich aplikací. V některých případech není třeba znovuobjevovat kolo budováním nových modelů od nuly, zatímco v cloudu jsou výkonné předem vyškolené modely. Amazon poskytuje služby API pro počítačové vidění, konverzační chatboty a jazykové služby:
Tři hlavní dostupné API jsou:
- Amazon Rekognition: poskytuje aplikaci rozpoznávání obrázků a videa
- Amazon Comprehend: Proveďte dolování textu a zpracování neurálního jazyka, například zautomatizujte proces kontroly zákonnosti finančního dokumentu
- Amazon Lex: Přidejte chatbota do aplikace
Studio Azure Machine Learning
Pravděpodobně jedním z nejpřátelštějších přístupů k strojovému učení je Azure Machine Learning Studio. Významnou výhodou tohoto řešení je, že nejsou vyžadovány žádné předchozí znalosti programování.
Microsoft Azure Machine Learning Studio je nástroj pro spolupráci drag-and-drop k vytváření, školení, hodnocení a nasazení řešení strojového učení. Model lze efektivně nasadit jako webové služby a použít v několika aplikacích, jako je Excel.
Rozhraní Azure Machine Learning je interaktivní a umožňuje uživateli vytvořit model pouhým rychlým přetažením prvků.
Když je model připraven, může jej vývojář uložit a odeslat do Azure Gallery nebo Azure Marketplace.
Azure Machine Learning lze integrovat do R nebo Pythonu do jejich vlastního integrovaného balíčku.
IBM Watson ML
Watson studio může zjednodušit datové projekty zjednodušeným procesem, který umožňuje získávat hodnotu a poznatky z dat, aby pomohl podnikům dosáhnout chytřejších a rychlejších výsledků. Studio Watson poskytuje snadno použitelné prostředí pro spolupráci v oblasti datových věd a strojového učení pro vytváření a školení modelů, přípravu a analýzu dat a sdílení poznatků na jednom místě. Watson Studio se snadno používá pomocí kódu drag-and-drop.
Studio Watson podporuje některé z nejpopulárnějších rámců, jako jsou Tensorflow, Keras, Pytorch, Caffe, a může nasadit algoritmus hlubokého učení na nejnovější GPU od Nvidia, aby pomohl urychlit modelování.
Výrok:
Z našeho pohledu je nejvíce doporučováno cloudové řešení Google. Cloudové řešení Google poskytuje AWS nižší ceny nejméně o 30% za řešení pro ukládání dat a strojové učení. Google dělá vynikající práci pro demokratizaci AI. Vyvinul otevřený zdrojový jazyk TensorFlow, optimalizované připojení datového skladu, poskytuje obrovské nástroje od vizualizace dat, analýzy dat až po strojové učení. Kromě toho je Google Console ergonomická a mnohem komplexnější než AWS nebo Windows.