Искусственный интеллект облегчил обработку большого количества данных и их использование в отрасли. Количество инструментов и фреймворков, доступных специалистам по обработке данных и разработчикам, увеличилось с ростом ИИ и машинного обучения. В этой статье об инструментах и фреймворках для искусственного интеллекта некоторые из них будут перечислены в следующей последовательности:
- Инструменты и платформы искусственного интеллекта
- Список инструментов и фреймворков искусственного интеллекта
- Scikit Learn
- TensorFlow
- Theano
- Кафе
- MxNet
- Керас
- PyTorch
- CNTK
- Авто ML
- OpenNN
- H20: ИИ-платформа с открытым исходным кодом
- Комплект Google ML
Инструменты и платформы искусственного интеллекта
Разработка нейронных сетей - это долгий процесс, который требует много обдумывания архитектуры и множества нюансов, которые фактически составляют систему.
Эти нюансы могут легко оказаться ошеломляющими, и не все можно легко отследить. Следовательно, возникает потребность в таких инструментах, когда люди принимают основные архитектурные решения, оставляя другие задачи оптимизации таким инструментам. Представьте себе архитектуру с четырьмя возможными логическими гиперпараметрами, проверка всех возможных комбинаций займет четыре! Бежит. Переучивать одну и ту же архитектуру 24 раза - определенно не лучшее использование времени и энергии.
Кроме того, большинство новых алгоритмов содержат множество гиперпараметров. Здесь на помощь приходят новые инструменты. Эти инструменты не только помогают развивать, но и оптимизировать эти сети.
Список инструментов и фреймворков искусственного интеллекта
С самого начала человечества мы, как вид, всегда пытались создавать вещи, которые помогали бы нам в повседневных задачах. От каменных орудий до современного оборудования и инструментов для разработки программ, помогающих нам в повседневной жизни. Некоторые из наиболее важных инструментов и фреймворков:
- Scikit Learn
- TensorFlow
- Theano
- Кафе
- MxNet
- Керас
- PyTorch
- CNTK
- Авто ML
- OpenNN
- H20: ИИ-платформа с открытым исходным кодом
- Комплект Google ML
Scikit Learn
Scikit-learn - одна из самых известных библиотек машинного обучения. Он лежит в основе многих управляемых и неконтролируемых расчетов обучения. Прецеденты включают прямые и рассчитанные рецидивы, деревья выбора, группировку, k-имплименты и т. Д.
- Он расширяется до двух основных библиотек Python, NumPy и SciPy.
- Он включает в себя множество вычислений для обычных задач ИИ и интеллектуального анализа данных, включая группировку, повторение и порядок. В самом деле, даже такие мероприятия, как изменение информации, определение признаков и методы ансамбля, могут быть выполнены за пару строк.
- Для новичка в ML Scikit-learn - более чем подходящий инструмент для работы, пока вы не начнете актуализировать все более сложные вычисления.
Tensorflow
Если вы находитесь в области искусственного интеллекта, вы, скорее всего, узнали, попытались или выполнили какой-либо тип глубоких обучающих вычислений. Можно ли сказать, что они необходимы? Не постоянно. Можно ли сказать, что они классные, когда все сделано правильно? Действительно!
Самое интересное в Tensorflow заключается в том, что, когда вы составляете программу на Python, вы можете упорядочить ее и продолжать работать как на своем процессоре, так и на графическом процессоре. Таким образом, вам не нужно писать на уровне C ++ или CUDA, чтобы продолжать работать на графических процессорах.
Он использует структуру многоуровневых концентраторов, которая позволяет быстро настраивать, обучать и отправлять поддельные нейронные системы с огромными наборами данных. Это то, что позволяет Google распознавать вопросы на фотографиях или понимать устно выраженные слова в своем приложении голосового подтверждения.
Theano
Theano прекрасно сочетается с Keras, библиотекой нейронных систем аномального состояния, которая работает почти параллельно с библиотекой Theano. Фундаментально выгодная позиция Keras заключается в том, что это умеренная библиотека Python для глубоких открытий, которая может продолжать работать с Theano или TensorFlow.
- Он был создан для того, чтобы сделать реализацию моделей глубокого обучения максимально быстрой и простой для инновационной работы.
- Он продолжает работать на Python 2.7 или 3.5 и может последовательно выполняться на графических процессорах и процессорах.
Что отличает Theano, так это то, что он использует графический процессор ПК. Это позволяет ему увеличивать подсчет информации до нескольких раз быстрее, чем при работе только на центральном процессоре. Скорость Theano делает его особенно полезным для глубокого обучения и других сложных вычислительных задач.
Кафе
«Caffe» - это глубокая обучающая структура, в которой первоочередное внимание уделяется артикуляции, скорости и измеряемому качеству. Он создан Berkeley Vision and Learning Center (BVLC) и сетевыми донорами. DeepDream от Google зависит от Caffe Framework. Эта структура является авторизованной BSD библиотекой C ++ с интерфейсом Python.
MxNet
Это позволяет обменять время вычислений на память с помощью «забывчивого обратного распространения», что может быть очень полезно для повторяющихся сетей на очень длинных последовательностях.
- Создан с учетом масштабируемости (довольно простая в использовании поддержка обучения с использованием нескольких графических процессоров и нескольких машин).
- Множество интересных функций, таких как простое написание пользовательских слоев на языках высокого уровня.
- В отличие от почти всех других основных фреймворков, он не управляется напрямую крупной корпорацией, что является здоровой ситуацией для фреймворка с открытым исходным кодом, разработанного сообществом.
- Поддержка TVM, которая еще больше улучшит поддержку развертывания и позволит запускать целый ряд новых типов устройств.
Керас
Если вам нравится стиль работы Python, Keras для вас. Это библиотека высокого уровня для нейронных сетей, использующая TensorFlow или Theano в качестве бэкэнда.
Большинство практических задач больше похожи на:
- выбор архитектуры, подходящей для задачи,
- для задач распознавания изображений - с использованием весов, обученных на ImageNet,
- настройка сети для оптимизации результатов (длительный итеративный процесс).
Во всем этом Керас - жемчужина. Кроме того, он предлагает абстрактную структуру, которую при необходимости можно легко преобразовать в другие фреймворки (для совместимости, производительности или чего-то еще).
PyTorch
PyTorch - это система искусственного интеллекта, созданная Facebook. Его код доступен на GitHub и в настоящее время имеет более 22 тысяч звезд. С 2017 года он набирает много энергии и находится в постоянном развитии.
CNTK
CNTK позволяет пользователям легко реализовывать и комбинировать популярные типы моделей, такие как DNN с прямой связью, сверточные сети (CNN) и рекуррентные сети (RNN / LSTM). Он реализует обучение методом стохастического градиентного спуска (SGD, обратное распространение ошибок) с автоматическим дифференцированием и распараллеливанием между несколькими графическими процессорами и серверами. CNTK доступен для всех по лицензии с открытым исходным кодом.
Авто ML
Из всех инструментов и библиотек, перечисленных выше, Auto ML, вероятно, является одним из самых сильных и относительно недавних дополнений к арсеналу инструментов, имеющихся в распоряжении инженера по машинному обучению.
Как описано во введении, оптимизация играет важную роль в задачах машинного обучения. Хотя выгода, полученная от них, является прибыльной, успех в определении оптимальных гиперпараметров - непростая задача. Это особенно верно в отношении черного ящика, такого как нейронные сети, где определение важных вещей становится все труднее и труднее по мере увеличения глубины сети.
Таким образом, мы входим в новую область меты, в которой программное обеспечение помогает создавать программы. AutoML - это библиотека, которую используют многие инженеры по машинному обучению для оптимизации своих моделей.
Помимо очевидной экономии времени, это также может быть чрезвычайно полезно для тех, кто не имеет большого опыта в области машинного обучения и, следовательно, не имеет интуиции или прошлого опыта, чтобы самостоятельно вносить определенные изменения гиперпараметров.
OpenNN
Прыгая от чего-то, что полностью подходит для новичков, к чему-то, предназначенному для опытных разработчиков, OpenNN предлагает арсенал расширенной аналитики.
В нем есть инструмент Neural Designer для расширенной аналитики, который предоставляет графики и таблицы для интерпретации записей данных.
H20: ИИ-платформа с открытым исходным кодом
H20 - это платформа глубокого обучения с открытым исходным кодом. Это инструмент искусственного интеллекта, ориентированный на бизнес, помогающий им принимать решения на основе данных и позволяющий пользователям делать выводы. Существует две версии с открытым исходным кодом: стандартная H2O и платная версия Sparkling Water. Его можно использовать для прогнозного моделирования, анализа рисков и мошенничества, страховой аналитики, рекламных технологий, здравоохранения и анализа клиентов.
Комплект Google ML
Google ML Kit, бета-пакет SDK машинного обучения Google для мобильных разработчиков, позволяет разработчикам создавать персонализированные функции на телефонах Android и IOS.
Этот комплект позволяет разработчикам встраивать технологии машинного обучения с API-интерфейсами на основе приложений, работающими на устройстве или в облаке. К ним относятся такие функции, как распознавание лиц и текста, сканирование штрих-кода, маркировка изображений и многое другое.
Разработчики также могут создавать свои собственные модели TensorFlow Lite в тех случаях, когда встроенные API-интерфейсы могут не соответствовать варианту использования. На этом мы подошли к концу нашей статьи. Это были некоторые из инструментов, которые служат платформой для специалистов по данным и инженеров для решения реальных проблем, которые сделают базовую архитектуру лучше и надежнее.Если вы хотите ознакомиться с другими статьями о самых популярных технологиях на рынке, таких как искусственный интеллект , DevOps, Ethical Hacking, то вы можете обратиться к официальному сайту Edureka.
Обязательно обратите внимание на другие статьи в этой серии, которые объяснят различные другие аспекты глубокого обучения.
17. Q Learning
18. Априорный алгоритм.
23. Вопросы на собеседовании по искусственному интеллекту (ИИ)
Первоначально опубликовано на https://www.edureka.co 12 июля 2019 г.
