Рубрики
Без рубрики

2020 AI & ML OpenSource

2020 AI & ML OpenSource Rothor Troate Frameworks, Tools, Libraries и Mod … Tagged с помощью машинного обучения, Python, DevOps, Docker.

Передовые каркасы с открытым исходным кодом, инструменты, библиотеки и модели для исследования исследования для крупномасштабного развертывания производства.

Frameworks & Tools

1) Пирог

GitHub: https://github.com/pytorch/pytorch

Pytorch-это рамка глубокого обучения с открытым исходным кодом, созданную гибкой и модульной для исследований, причем стабильность и поддержка необходимы для развертывания производства. Это обеспечивает быстрые, гибкие эксперименты через систему автограда на основе ленты, предназначенную для немедленного и питона. Благодаря выпуску Pytorch 1.0, Framework также будет предлагать выполнение на основе графиков, гибридный фронт-энд, позволяющий беспрепятственно переключаться между режимами, распределенным обучением, а также эффективное и эффективное мобильное развертывание.

Динамические нейронные сети

Хотя статические графики отлично подходят для развертывания производства, процесс исследования, связанный с разработкой следующего великого алгоритма, действительно динамичен. Pytorch использует методику, называемую автоматической дифференциацией обратного режима, которая позволяет разработчикам произвольно изменять поведение сети с нулевым задержкой или накладными расходом, ускоряя итерации исследований.

Лучший из двух миров

Собирая элементы гибкости, стабильности и масштабируемости, следующее высвобождение Pytorch будет включать в себя уникальный гибридный передний конец. Это означает, что исследователям и разработчикам AI/ML больше не нужно идти на компромиссы при принятии решения о том, какие инструменты использовать. Благодаря гибридной передней части Pytorch разработчики могут плавно переключаться между императивом, определяющим выполнение и режимом графика, повышая производительность и преодолевая разрыв между исследованиями и производством.

Аутограда на основе ленты

Начать

  1. Установите Pytorch Анкет Поддерживаются несколько параметров установки, в том числе из Source, PIP, CONDA и предварительно построенных облачных сервисов, таких как AWS Анкет

  2. Обзор Документация а также Учебные пособия Чтобы ознакомиться с тензорной библиотекой Pytorch и нейронными сетями.

  3. Проверьте ниже инструменты, библиотеки, предварительно обученные модели и наборы данных для поддержки ваших потребностей в разработке.

  4. Создайте, тренируйте и оцените свою нейронную сеть. Вот пример кода, используемый для определения простой сети

    Импорт факел Из Torch.Autograd Import Variable Импорт Torch.nn как nn Импорт Torch.nn.functional как ф

    Классовая сеть (нн. Модуль):

    net () Печать (сеть)

2) ONNX

GitHub: https://github.com/onnx/onnx

ONNX является открытым форматом для представления моделей глубокого обучения, позволяя разработчикам ИИ легко перемещать модели между самыми современными инструментами и выбирать лучшую комбинацию. ONNX ускоряет процесс от исследований до производства, обеспечивая совместимость между популярными инструментами, включая Pytorch, Caffe2, Microsoft Cognitive Toolkit, Apache Mxnet и многое другое.

Структура совместимости

ONNX позволяет обучать модели в одной структуре, а затем экспортируется и развернута в другие рамки для вывода. Модели ONNX в настоящее время поддерживаются в таких фреймворках, как Pytorch, Caffe2, Microsoft Cognitive Toolkit, Apache Mxnet и Chainer, с дополнительной поддержкой Core ML, Tensorflow, Qualcomm SNPE, Tensorrt Nvidia и NGARPH Intel.

Оптимизация оборудования

Любой инструмент, который экспортирует модели ONNX, может извлечь выгоду из ONNX-совместимого времени выполнения и библиотек, предназначенных для максимизации производительности. В настоящее время ONNX поддерживает Qualcomm SNPE, AMD, ARM, Intel и другие партнеры по оборудованию.

Начать

  1. Установите ONNX из двоичных файлов, используя PIP или Conda, или постройте из источника.

  2. Обзор Документация а также Учебные пособия Чтобы ознакомиться с функциональностью Onnx и расширенными функциями.

  3. Следуйте импортирующим и экспортным направлениям для фреймворков, которые вы используете, чтобы начать.

  4. Исследуйте и попробуйте модели сообщества в Onnx model Zoo Анкет

3) Постижение тензора

Исследование: https://research.fb.com/announcing-tensor-comprehresions/

GitHub: https://github.com/facebookresearch/TensorComprehensions

Понимание тензоров (TC) ускоряет разработку, автоматически генерируя эффективный код GPU из математических операций высокого уровня. TC-это библиотека C ++ и математический язык, который помогает преодолеть разрыв между исследователями, которые общаются с точки зрения математических операций, и инженеров, которые сосредоточены на управлении крупномасштабными моделями.

Повысить производительность

Тенсорное понимание (TC) основано на обобщенной нотации Einstein для вычислений на многомерных массивах. Это значительно упрощает разработку новых операций, предоставляя краткий и мощный синтаксис, который может быть автоматически и эффективно переведен в высокопроизводительные вычислительные ядра CUDA.

Понимание тензоров обеспечивает легкий и бесшовный Интеграция с Pytorch Анкет

Начать

  1. Настройка или Установите Anaconda Если у вас его еще нет.
  1. Установите тенисорные понимания.
  1. Просмотрите Учебник и Документация Чтобы ознакомиться с тем, как использовать тензоры.

4) Светиться

GitHub: https://github.com/pytorch/glow

Glow – это компилятор машинного обучения, который ускоряет производительность карт глубокого обучения на разных аппаратных платформах. Это позволяет экосистеме разработчиков и исследователей оборудования сосредоточиться на создании аппаратных ускорителей следующего поколения, которые могут быть поддержаны в рамках глубокого обучения, такими как Pytorch.

Мощные аппаратные оптимизации

Glow принимает график вычислений из фреймворков глубокого обучения, таких как Pytorch, и генерирует высоко оптимизированный код для ускорителей машинного обучения. Он содержит множество машинного обучения и оптимизации аппаратного обеспечения, таких как слияние ядра, чтобы ускорить разработку модели.

Glow в настоящее время находится в активной разработке.

Начать

Посетите GitHub для начала.

5) Файсс

GitHub: https://github.com/facebookresearch/faiss

FAISS (Facebook AI Searnity Search) – это библиотека, которая позволяет разработчикам быстро искать встраиваемые мультимедийные документы, похожие друг на друга. Он решает ограничения традиционных поисковых систем запросов, которые оптимизированы для поиска на основе хеш и обеспечивают более масштабируемые функции поиска сходства.

Эффективный поиск сходства

С помощью FAISS разработчики могут искать мультимедийные документы таким образом, которые неэффективны или невозможны стандартными двигателями баз данных (SQL). Он включает в себя реализации поиска ближайших к нему для наборов данных в масштабе на миллиард, которые оптимизируют компромисс с точностью до скорости памяти. Faiss стремится предложить современную производительность для всех операционных точек.

FAISS содержит алгоритмы, которые ищут в наборах векторов любого размера, а также содержат вспомогательный код для оценки и настройки параметров. Некоторые из его наиболее полезных алгоритмов реализованы на графическом процессоре. FAISS реализован в C ++, с дополнительным интерфейсом Python и поддержкой GPU через CUDA.

Начать

  1. Установите faiss Анкет

  2. Обзор Документация а также Учебные пособия Чтобы ознакомиться с тем, как работает Файс и его возможности.

  3. Экспериментируйте со строительными индексами и поиском с использованием FAISS.

6) Starspace

GitHub: https://github.com/facebookresearch/StarSpace

Starspace-это модель нейронного встраивания общего назначения, которая может быть применена к ряду задач машинного обучения, включая рейтинг, классификацию, поиск информации, обучение сходства и рекомендации. Он оба высоко конкурентоспособны с существующими методами, при этом хорошо обобщая новые варианты использования.

Многоцелевая модель обучения

Starspace учится представлять объекты разных типов в общее векторное пространство встраивания, чтобы сравнить их друг с другом. Это делает его хорошо подходящим для различных проблем, в том числе:

  • Учебное слово, предложение или уровень документов.

  • Поиск информации – рейтинг наборов объектов/документов или объектов, например, ранжирование веб -документов.

  • Текстовая классификация или любая другая задача маркировки.

  • Метрическое обучение/сходство, например, обучение предложения или сходство документов.

  • Рекомендация на основе контента или совместная фильтрация, например, рекомендация музыки или видео.

  • Графики встраивания, например, многореляционные графики, такие как Freebase.

Дополнительную информацию о Starspace можно найти в Исследовательская работа Анкет

7) Вишдо

GitHub: https://github.com/facebookresearch/visdom

Visdom – это инструмент визуализации, который генерирует богатую визуализацию живых данных, чтобы помочь исследователям и разработчикам оставаться на вершине своих научных экспериментов, которые проводятся на удаленных серверах. Визуализации в Вишдоме можно просматривать в браузерах и легко делиться с другими.

Богатые, живые визуализации

Visdom предоставляет интерактивный инструмент визуализации, который поддерживает научные эксперименты. Визуализация сюжетов, изображений и текста может легко транслироваться для себя и сотрудников.

Пространство визуализации может быть организовано через пользовательский интерфейс Visdom или программно, что позволяет исследователям и разработчикам проверять результаты эксперимента по нескольким проектам и коде отладки. Такие функции, как окна, среды, состояния, фильтры и представления, также предоставляют несколько способов просмотра и организации важных экспериментальных данных.

8) Аданет

GitHub: https://github.com/tensorflow/adanet

Быстрый и гибкий автомат с гарантиями обучения

Adanet-это легкая структура на основе Tensorflow для автоматического изучения высококачественных моделей с минимальным экспертным вмешательством. Он использует алгоритм Adanet Cortes et al. 2017, чтобы узнать структуру нейронной сети как ансамбля подсети, предоставляя гарантии обучения. Важно отметить, что Adanet предоставляет общую основу не только для изучения архитектуры нейронной сети, но и для обучения в ансамбле для получения еще лучших моделей.

9) АВТОМЛИ На поступке

GitHub: github.com/google/automl-vide-ondevice

Вывод с использованием мобильных последовательностей для обнаружения объектов Automl Video

Пример кода, который показывает, как загрузить обращение видео-объекта Google Cloud Automl на моделях Device и сделать вывод на последовательность изображений с видео клипа. Целевые устройства представляют собой ЦП и краевой ТПУ.

10) Буду

GitHub: github.com/google/budou

Автоматический инструмент для разрыва линии для китайского, японского и корейского (CJK) языки

Budou автоматически переводит предложения CJK в организованный HTML -код со значимыми кусками, чтобы обеспечить красивую типографику в Интернете

Как Google использует Budou

Budou используется на некоторых наших веб -сайтах для обеспечения разборчивой и красивой типографии в CJK (китайский, японский и корейский). Заголовки разбиваются на несколько линий в значимых положениях в соответствии с шириной экрана браузера.

11) Физика пули SDK

Обнаружение столкновений в реальном времени и моделирование мультифизики для виртуальной реальности, игр, визуальных эффектов, робототехники, машинного обучения и т. Д.

Pullet Physics SDK-это профессиональное обнаружение столкновений с открытым исходным кодом, библиотека с твердым телом и мягкой динамикой тела, написанная в портативном C ++. Библиотека в основном предназначена для использования в играх, визуальных эффектах и роботизированном моделировании. Библиотека бесплатна для коммерческого использования по лицензии Zlib.

Pybullet – это простой в использовании модуль Python для физического моделирования, робототехники и машинного обучения. С помощью Pybullet вы можете загрузить сочлененные тела из URDF, SDF и других форматов файлов. Pybullet обеспечивает моделирование прямого динамики, вычисления обратной динамики, прямое и обратное кинематику и запросы на пересечение Ray Collision и пересечение лучей. Помимо физического моделирования, Pybullet поддерживает рендеринг с помощью Renderer CPU и визуализацией OpenGL и поддержкой гарнитур виртуальной реальности.

Как Google использует Bullet Physics SDK

Google использует Pullet Physics SDK для разработки игр, виртуальной реальности, моделирования робототехники и машинного обучения.

12) Строитель категории

GitHub: github.com/google/categorybuilder

Расширить наборы семантически

Установить расширение

Установить расширение расширяет набор элементов на семантически похожие элементы. Это описано с помощью примеров ниже.

Семена {Ford, Nixon} расширяются до большого набора, начиная с {Никсон, Обама, Буш, Джонсон, Клинтон, Форд, Рейган,…}. Точно так же {Ford, Chevy} расширяется до {Ford, Chevy, Toyota, Chevrolet, Honda, BMW, Nissan,…} и {Ford, Stallone} To {Ford, Stallone, Khan, Kapoor, Sylvester Stallone, Depp, Tom Cruis …}.

Наборы глаголов и прилагательных также могут быть расширены.

Аналогии

Та же самая техника может решить другую проблему, одну из аналогий, таких как «Что такое гора Эверест Африки?» Здесь мы расширяемся до семантически связанных предметов, с одной стороны, и с точки зрения ситуации, с другой.

Обратите внимание, что это сложнее, чем «пропорциональные» аналогии, такие как «Рука: перчатка: 🦶?». Людям не нужно быть предоставлено с первым сроком («рука») и может ответить: «Что такое перчатка для ноги?»

Некоторые примеры:

  • Гора Эверест Африки: Килиманджаро

  • Гора Эверест Аляски: Денали

  • Перчатка ноги: обувь

  • Дарвин физики: Эйнштейн

  • Corolla of Honda: Хонда гражданский

  • Волдеморт Толкина: Саурон

  • Волдеморт из «Звездных войн»: Вейдер

  • Толкин из Волдеморта: ротлинг

13) CASELIMPACT

GitHub: google.github.io/causalimpact

Библиотека статистики для оценки причинного влияния разработанного вмешательства на временные ряды

Пакет CASESALIMPACT R реализует подход к оценке причинно -следственного влияния разработанного вмешательства на временные ряды. Например, сколько дополнительных ежедневных кликов было создано рекламной кампанией? Ответ на такой вопрос может быть трудным, когда рандомизированный эксперимент недоступен. Пакет направлен на решение этой трудности с использованием структурной байесовской модели временных рядов для оценки того, как показатель ответа могла развиваться после вмешательства, если бы вмешательство не произошло.

14) DeepMind Лаборатория

github.com/deepmind/lab

Настраиваемая 3D-платформа для исследования ИИ на основе агента

DeepMind Lab-это 3D-игровая платформа от первого лица, разработанная для исследований и разработок систем общего искусственного интеллекта и машинного обучения. Он обеспечивает набор сложных навигационных задач и задач по решению головоломки, которые особенно полезны для глубокого обучения подкреплению. Его простой и гибкий API позволяет изучить и быстро итерацию творческих разработчиков задач и новых аи-дизайнов.

Как Google использует лабораторию DeepMind

DeepMind Lab используется внутри DeepMind для исследований и обучения обучающих агентов.

15) Диалог-интеграции

Интегрировать различные платформы обмена сообщениями с Google Dialogflow

Интеграции Dialogflow предоставляют набор разъемов для интеграции различных платформ обмена сообщениями (Kik, Spark, Skype, Twilio, Twitter и т. Д.) С Dialogflow Google.

Чтобы узнать больше о Dialogflow, см. Dialogflow | Google Cloud Анкет

16) Дофамин

github.com/google/dopamine

Расследовательская структура для быстрого прототипирования алгоритмов обучения подкреплению

Допамин-это основанная на тензорфлоуюю исследовательскую структуру для быстрого прототипирования алгоритмов обучения подкреплению. Он направлен на то, чтобы удовлетворить необходимость небольшой, легко кодовой базы Grokked, в которой пользователи могут свободно экспериментировать с дикими идеями (спекулятивные исследования).

Наши принципы дизайна:

  • Легкие эксперименты : Облегчить новым пользователям эксперименты.

  • Гибкое развитие : Облегчайте новым пользователям пробовать идеи исследования.

  • Компактный и надежный : Предоставьте реализации для нескольких проверенных в бою алгоритмов.

  • Воспроизводимый : Облегчить воспроизводимость в результатах.

17) Программирование экспрессии генов в GO

github.com/gmlewis/gep

Программирование экспрессии генов (GEP)-это алгоритм машинного обучения, созданный доктором Канддидой Феррейра, пытаясь внедрить классическую структуру генетического программирования. Она обнаружила некоторые ключевые идеи, которые значительно улучшили производительность по сравнению с предыдущими реализациями. Одним из ее ключевых пониманий было представление гена, который гарантирует правильность, тем самым полностью устраняя необходимость в дорогостоящем этапе проверки генов. Книга доктора Феррейры было очень легко читать и понять, и GEP – это эксперимент, чтобы подготовить ее алгоритм в Go.

18) Google Cloud Datalab

Простой в использовании интерактивный инструмент для исследования, анализа, визуализации и машинного обучения данных

Cloud Datalab – это мощный интерактивный инструмент, созданный для изучения, анализа, преобразования и визуализации данных и создания моделей машинного обучения на платформе Google Cloud. Он работает в Google Compute Engine и легко подключается к нескольким облачным сервисам, чтобы вы могли сосредоточиться на своих задачах науки о данных.

19) Kubeflow

Инструментарий машинного обучения для Kubernetes

Проект Kubeflow посвящен развертыванию рабочих процессов машинного обучения (ML) на Kubernetes простых, портативных и масштабируемых. Наша цель состоит не в том, чтобы воссоздать другие услуги, а в том, чтобы обеспечить простой способ развертывания лучших систем ОС для ML для различных инфраструктур. Везде, где вы запускаете Kubernetes, вы сможете запустить Kubeflow.

20) Пурпурный

Magenta: Music and Art Generation с машинным интеллектом

Magenta – это исследовательский проект, изучающий роль машинного обучения в процессе создания искусства и музыки. В первую очередь это включает в себя разработку новых алгоритмов обучения глубокого обучения и подкрепления для создания песен, изображений, рисунков и других материалов. Но это также исследование в создании интеллектуальных инструментов и интерфейсов, которые позволяют художникам и музыкантам расширяться (не заменить!) их процессы с использованием этих моделей.

Пурпурный был запущен некоторыми исследователями и инженерами из Google Brain Team Но многие другие внесли значительный вклад в проект. Мы используем Tensorflow и выпустить наши модели и инструменты в открытом исходном коде. GitHub Анкет

21) Nvidia libs test

github.com/google/nvidia_libs_test

Тесты и тесты для Cudnn

Репозиторий содержит набор тестов свертков и тестов для библиотеки Cudnn Nvidia.

22) Откройте набор данных изображений

storage.googleapis.com/openimages/web/download.html

Набор данных из ~ 9 миллионов изображений, которые были аннотированы с этикетками на уровне изображения и коробками объектов.

Изображения очень разнообразны и часто содержат сложные сцены с несколькими объектами (в среднем 8,4 на изображение), а набор данных аннотирован с этикетками на уровне изображения, охватывающих тысячи классов.

23) Tensorflow

Tensorflow

Tensorflow-это сквозная платформа с открытым исходным кодом для машинного обучения

Tensorflow-это сквозная платформа с открытым исходным кодом для машинного обучения. Он имеет всеобъемлющую гибкую экосистему инструментов, библиотек и ресурсов сообщества, которая позволяет исследователям продвигать современное в ML и дает разработчикам возможность легко создавать и развертывать приложения ML.

Tensorflow предоставляет коллекцию рабочих процессов с интуитивно понятными, высокоуровневыми API для начинающих и экспертов для создания моделей машинного обучения на многочисленных языках. Разработчики имеют возможность развертывать модели на ряде платформ, таких как на серверах, в облаке, на мобильных и краевых устройствах, в браузерах и на многих других платформах JavaScript. Это позволяет разработчикам переходить от модели и обучения в развертывание гораздо легче.

Легкое модель здания

Стройте и обучают модели ML легко, используя интуитивно понятные API высокого уровня, такие как кера, с нетерпеливым исполнением, что делает для немедленной итерации модели и легкой отладки.

Надежное производство ML в любом месте

Легко тренировать и развернуть модели в облаке, в блюдах, в браузере или на устройстве, независимо от того, какой язык вы используете.

Мощные эксперименты для исследований

Простая и гибкая архитектура, чтобы взять новые идеи из концепции к коду, до современных моделей и быстрее публикации.

24) Tensorflow Playground

playground.tensorflow.org

Интерактивная визуализация нейронных сетей в браузере

Tensorflow Playground – это интерактивная визуализация нейронных сетей, написанная в TypeScript с использованием D3.js. Он содержит крошечную библиотеку нейронной сети, которая отвечает требованиям этой образовательной визуализации. Вы можете имитировать в режиме реального времени в своем браузере, небольшие нейронные сети и увидеть результаты.

25) Голосовой строитель

github.com/google/voice-builder

Голосовой строитель-это инструмент для построения голоса OpenSource Text-Speek (TTS)

Voice Builder-это инструмент для построения голоса OpenSource (TTS), который фокусируется на простоте, гибкости и сотрудничестве. Наш инструмент позволяет любому, кто обладает базовыми навыками компьютера, провести эксперименты по голосовой подготовке и слушать результирующий синтезированный голос.

26) Турецкая морфология

github.com/google-research/turkish-morphology

Двухуровневый морфологический анализатор для турецкого

Этот турецкий морфологический анализатор на основе конечного состояния (FST) состоит из трех слоев:

  • Лексиконы:

Турецкие лексики с широким покрытием, которые вручную аннотированы и подтверждены для частичной речи и морфофонемических нарушений. Они предназначены для использования в создании турецких инструментов обработки естественного языка, таких как морфологические анализаторы. Набор базовых лексиков, которые мы предоставляем, включает аннотированные лексические элементы для 47 202 слов.

  • Морфотаксика:

Набор определений FST, которые реализованы в пользовательском формате, который аналогичен формату AT & T FSM (только отличие заключается в том, что мы можем использовать строки в качестве имен состояний и метки ввода/вывода для каждого перехода вместо целых чисел). С каждым из этих FST мы определяем паттерны суффикса и инвентаризации морфем вместе с их соответствующими парами морфологических характеристик категории признаков для данной части речи.

  • Морфофнемика:

Набор грамматики Thrax, где каждый реализует отдельный процесс морфофонемического процесса (такой как гласная гармония, падение гласных, согласное голосование и согласное падение и так далее).

27) Tensorflow и глубокое обучение

codelabs.developers.google.com/codelabs/cloud-tensorflow-mnist

Пример кода для презентации и кодовой лаборатории

Из этого CodeLab вы узнаете, как создавать и обучать нейронную сеть, которая распознает рукописные цифры. Попутно, когда вы улучшаете свою нейронную сеть для достижения 99% точности, вы также обнаружите инструменты торговли, которые специалисты по глубокому обучению используют для эффективного обучения своих моделей.

Часть 1

Эта лаборатория занимает 2,5 часа и проходит через проектирование и оптимизацию нейронной сети для распознавания рукописных цифр, от самых простейших решений до точности распознавания выше 99%. Он охватывает плотные и сверточные сети, а также такие методы, как распад скорости обучения и отсечение.

Часть 2

Вторая часть презентации «Тензорфлоу и глубокое обучение – без докторской докторской» охватывает рецидивирующие нейронные сети. Этот код обучает языковую модель на полных работах Уильяма Шекспира, чтобы увидеть, может ли нейронная сеть сделать, а также великий поэт.

28) Строп

github.com/google/sling

Слинг – анализатор семантики естественного языка

Слинг является анализатором для аннотирования текста с семантическими аннотациями рамки. Он обучается аннотированному корпусу с использованием Tensorflow и Dragnn. Сигнал является общим семантическим анализатором кадров на основе перехода с использованием двунаправленных LSTM для входного кодирования и рецидивирующего блока на основе перехода (TBRU) для выходного декодирования. Это совместно обученная модель с использованием только текстовых токенов в качестве входных данных, а система перехода была разработана для вывода графиков кадров непосредственно без какого -либо промежуточного символического представления. Структура стропа включает в себя эффективную и масштабируемую реализацию хранилища рамки, а также компилятор JIT нейронной сети для быстрого анализа во время выполнения.

29) Pixel Visual Core Camera

github.com/google/pixelvisualcorecamera

Pixel Visual Core Camera поможет разработчикам Android начать работу с Pixel Visual Core

Приложение Pixel Visual Core Camera было разработано, чтобы предоставить разработчикам Android простой пример того, как включить Pixel Visual Core в приложениях камеры для ускорения обработки HDR+ с использованием API камеры 1 и 2.

Требования к устройству

Pixel Visual Core доступен в телефонах Google Pixel 2 и Pixel 3.

Требования к программному обеспечению

Приложения должны ориентироваться на уровень API 26 (или больше), чтобы получить доступ к функциональности ядра Visual Visual Pixel. Pixel Visual Core был доступен для разработчиков с тех пор, как Android Oreo Build OPM1.171019.011 в качестве опции разработчика. Pixel Visual Core официально включено по умолчанию, начиная с Android Oreo Build OPM1.171019.019.

Как включить HDR+ с Pixel Visual Core в коде

Камера API 1

  • TakePicture () использует Pixel Visual Core, когда применяются следующие настройки:

  • Режим эффекта устанавливается на Effect_none.

  • Режим вспышки установлен в flash_mode_off.

  • В то время как баланс устанавливается на White_Balance_Auto.

  • Нет компенсации экспозиции.

Камера API 2

  • Pixel Visual Core включено только для запросов Template_still_capture.

  • CONTROL_ENABLE_ZSL должен быть установлен на TRUE (по умолчанию).

  • Pixel Visual Core включена для запросов захвата, которые включают только выходы JPEG и YUV.

Pixel Visual Core Camera Features

  • Pixel Visual Core HDR+ обработка с помощью API камеры 1 и 2.

  • Двойной выстрел, сделайте два выстрела назад к спине:

  • Один снимок обрабатывается как HDR+ с Pixel Visual Core.

  • Один выстрел обрабатывается при обработке по умолчанию.

  • Увеличение управления.

  • Поддержка спереди и задней камеры.

30) Зарисовка! Набор данных

github.com/googlecreativelab/quickdraw-dataset

Уникальный набор данных Doodles!

Набор данных Quick Draw – это коллекция из 50 миллионов рисунков по 345 категориям, внесенная игроками игры быстро, Draw!.

Их можно использовать, чтобы помочь разработчикам обучать новые нейронные сети, помочь исследователям увидеть закономерности в том, как рисуют люди во всем мире, и помогают художникам создавать вещи, о которых мы не начали думать.

Рисунки были запечатлены в виде векторов, помеченных от времени, помеченными метаданными, включая то, что игрока попросили нарисовать, и в какой стране находился игрок. Вы можете просмотреть признанные рисунки на https://quickdraw.withgoogle.com/data Анкет

Оригинал: “https://dev.to/stackshare_me/2020-ai-ml-opensource-1aop”