Охватывая ажиотаж
В настоящее время все говорят об искусственном интеллекте. Понимает ли это или нет. Это обсуждение, по сути, сводится к двум терминам: машинное обучение и глубокое обучение.
Машинное обучение ( ML ) – это изучение компьютерных алгоритмов, которые автоматически улучшаются благодаря опыту и использованию данных.
Глубокое обучение – это тип машинного обучения, основанного на искусственных нейронных сетях с несколькими слоями.
Искусственные нейронные сети ( anns ) – это компьютерные системы, вдохновленные биологическими нейронными сетями, которые составляют мозг животных.
Глубокое обучение приобретает большую популярность из -за своего превосходства с точки зрения точности при обучении с огромным количеством данных.
Я бы сказал, что вы должны хотя бы попробовать глубокое обучение. В наши дни это довольно рыночный навык.
Зоопарк с рамками глубокого обучения
Каждый новичок в глубоком обучении должен выбрать наиболее подходящую структуру. Где вы должны тратить время?
Этот пост поможет вам начать работу с DL Frameworks.
Честно говоря, у вас есть много вариантов. Но сначала вам нужно выбрать свой язык.
Самый популярный выбор в этом контексте: JavaScript, Python и C ++.
JavaScript
Это имеет смысл, когда вы хотите тренировать или запустить свою модель в браузере.
Безусловно, самый популярный выбор здесь Tensorflow.js Анкет В прошлом я работал над расширением браузера, в котором используется Tersorflow.js для вынесения вердикта о авторитете статьи. Опыт был действительно хорошим. Основные трудности с машинным обучением в браузере в основном находятся в библиотеках предварительной обработки, а не в самом алгоритме.
Еще один хороший – Conveltjs – Но у меня нет большого опыта использования этого.
C++
Очевидное преимущество: производительность. Вы потеряете некоторые удобства языков сценариев, но также избавитесь от накладных расходов.
3 популярные библиотеки: Caffe , Microsoft Cognitive Toolkit и Библиотека быстрой искусственной нейронной сети (Fann) Анкет
Последний, но тем не менее важный: Питон
Большинство ученых данных используют либо Python, либо Matlab и R.
Python стал, безусловно, наиболее широко используемым языком для DL. 4 Популярные рамки: Pytorch , Tensorflow , Эзара и Керас Анкет
Давайте сравним их.
Pytorch :
Разработанный Facebook AI, он имеет репутацию простоты, простоты использования, гибкости, эффективного использования памяти и динамических вычислительных графиков.
Это один из самых простых, с которыми можно начать. И это в основном используется для исследований.
Tensorflow :
Разработанный Google, он известен документацией и поддержкой обучения, масштабируемым производством, множественными уровнями абстракции и поддержкой для различных платформ, таких как Android.
Он имеет более крутую кривую обучения и в основном используется в отрасли.
Керас :
Керас является эффективным API нейронной сети высокого уровня и самым простым для начинающих.
Эта библиотека нейронной сети с открытым исходным кодом предназначена для быстрых экспериментов с глубокими нейронными сетями, и она может работать на вершине CNTK, Tensorflow и Theano.
Эзара :
Бывшее название проекта: Theano. Theano был разработан Университетской де Монреалом и является основополагающей библиотекой, используемой для DL в Python.
Он считается дедушкой рамки глубокого обучения и выпал из -за предположения большинства исследователей вне академических кругов.
Теперь проект оставлен, и репо указывает на проект Aesara.
Особенности :
Aesara подходит для быстрой разработки пользовательских операторов и символических оптимизаций.
Он реализует расширяемую структуру транспиляции графика, которая в настоящее время обеспечивает компиляцию через C, JAX и Numba Анкет
Бонус – Джулия
Джулия – это новый язык для науки о данных, который увеличивается в популярности. Он построен для обеспечения гибкости и производительности. Я должен сказать, что Джулия оптимизирована для тяжелых матричных операций.
Если вы заинтересованы в том, чтобы попробовать машинное обучение с Джулией, я бы посоветовал попробовать Поток , стек машинного обучения.
Если вы хотите использовать TensorFlow, для этого есть обертка Джулии, называемая Tensorflow.jl . Опыт будет довольно гладким:).
Оригинал: “https://dev.to/curiouzk0d3r/how-to-start-with-deep-learning-3mmd”