YAPAY ZEKANIN KAPILARINI AÇAN
DERİN ÖĞRENME ÇERÇEVELERİ
Yapay Zeka (AI) sektörü, insan yeteneklerini karşılamak ve hatta aşmak için geliştirilen algoritmalarla hızla büyüyor. Müthiş bir örnek Derin Öğrenme (DL) ve sürekli programlamaya gerek kalmadan kendi kendine gelişmeye devam edebilen gelişmekte olan makine öğrenimi alt alanıdır.
Şirketler yapay zekayı genişletmek ve başlangıçlarını çıkarmak için kullanmak istediğinde, bir husus önemlidir: çalışmayı seçtikleri teknoloji, özellikle her bir çerçeve belirli bir amaca hizmet ettiği için uygun bir derin öğrenme çerçevesiyle birleştirilmelidir. Sorunsuz ve hızlı iş geliştirme ve verimli teslimat açısından, mükemmel uyumu bulmak sadece önemli değil aynı zamanda gereklidir.
Derin öğrenmenin daha yüksek düzeyde karmaşıklık ve mantıksal düşünmenin görevlerini yerine getirmesinin anahtarı olduğu göz önüne alındığında, bunları başarılı bir şekilde oluşturmak ve dağıtmak, dünya çapında veri bilimcileri ve veri mühendisleri için oldukça zor bir iştir. Bugün, zorlu programlamayı basitleştirmenin yanı sıra daha iyi bir hassasiyet düzeyi sunabilecek araçlar geliştirmemize olanak tanıyan çok sayıda çerçeveye sahibiz. Her platform farklı amaçlara farklı şekillerde fayda sağlayacak şekilde tasarlanmıştır.
TENSORFLOW
Burada, hangi çerçevenin mükemmel şekilde uyduğunu veya iş görevlerinizi çözmede yararlı olabileceğini daha iyi anlamanız için en iyi 5 derin öğrenme çerçevesinden bazılarına bakıyoruz.
TensorFlow Google tarafından geliştirilen ve C ++ ve Python ile yazılmış TensorFlow, sayısal bilgi işlem için en iyi açık kaynak kaynaklarından biri olarak kabul edilir. Özellikle Uber, DeepMind, AirBnB veya Dropbox gibi devlerin tümü sistemden istifade etmeyi seçtiyse, büyüklüğünün başka bir kanıtına ihtiyacımız yok. TensorFlow, çok katmanlı sinir ağları oluşturmak gibi gelişmiş projeler için idealdir. Ses ve görüntü tanıma ve metin tabanlı uygulamalar (Google Translate gibi) için kullanılır.
Artıları:
- Kapsamlı dokümantasyon ve yardım
- Modellerin izlenmesi ve görselleştirilmesi
- TensorFlow Lite kullanarak mobil cihazlarda cihazda çıkarım
- Model sunumu Dağıtılmış eğitim
Eksileri:
- Diğer çerçevelere kıyasla düşük hız
- Yeni başlayanlar için öğrenme ve hata ayıklama zor olabilir.
KERAS
Keras, Python’da geliştirilen açık kaynaklı bir sinir ağı kütüphanesidir. TensorFlow, R, Microsoft Cognitive Toolkit veya Theano ile uyumluluk sağlar. Bir Google mühendisi olan Francois Chollet tarafından derin sinir ağları ile hızlı denemelere izin vermek üzere tasarlanan bu kullanıcı dostu, ölçeklenebilir ve genişletilebilir. TensorFlow, Theano veya CNTK’nın üstünde çalışabilen Python’a dayanan minimalist bir kütüphanedir.
Artıları:
- Minimalist ve kullanımı kolay
- Geniş ve yardımsever topluluk
- Kolay arka uç hizmetleri
- Tanınmış çerçevelerle mükemmel uyumluluk
Eksileri:
- Sınırlı özelleştirme
- Tensorflow, CNTK ve Theano arka uçlarıyla sınırlı
PyTorch
PyTorch oldukça yenidir ancak giderek daha popüler hale gelmektedir. Ayrıca, öncelikle Facebook tarafından oluşturulan açık kaynak kodludur ve kullanılabilirliği, çok yönlülüğü ve özelleştirilebilirliği ile ünlüdür. PyTorch, eğitim sürecini öğrenmeyi ve yürütmeyi ve derin öğrenme modelleri oluşturmayı kolaylaştıran temiz bir mimari model ile tasarlanmıştır. Py Python’u temsil eder, böylece Python hakkında temel bir anlayışa sahip olan herkes derin öğrenme modellerini geliştirmeye ve eğitmeye başlayabilir.
Artıları:
- Run-by-run modu basit programlama gibidir
- Ortak araçlarla kolay hata ayıklama
- Bildirici veri paralelliğini sağlar
- Çok sayıda önceden eğitilmiş parça içerir
- Üretime hazır
Eksileri:
- Tüm yeni teknolojilerde olduğu gibi biraz olgunlaşmamış
CAFFE
Caffe, C, C ++, Python, MATLAB ve CLI gibi çerçevelerle desteklenen derin bir öğrenme platformudur. Konvolüsyon Sinir Ağları (CNN) modellemesinde transposabilitesi, hızı ve uygulanabilirliği ile bilinir. Caffe’nin C ++ kütüphanesini kullanmanın en büyük avantajı (bir Python arayüzü ile birlikte gelir) önceden eğitilmiş ve anında kullanılabilen ‘Caffe Model Zoo’ derin ağ deposundan mevcut ağlara erişmektir. CNN’leri modelleme veya görüntü işleme ile ilgili sorunları çözme, bu sizin mükemmel kitaplığınızdır.
Artıları:
- En büyük satış noktası, çıkarım için 1 ms / görüntü ve öğrenme için 4 ms / görüntü olarak ölçülen hızıdır.
- Sunucu için optimize edilmiş çıkarım sunar
- Hızlı, ölçeklenebilir ve hafif
Eksileri:
- İnce taneli ağ katmanları için destek yok
MXNet
MXNet (belirgin mix-net), daha yüksek verimlilik, verimlilik ve çok yönlülük için özel olarak tasarlanmış Python, R, C ++ ve Julia tarafından desteklenen derin bir öğrenme platformudur. MXNet’in gücü, kullanıcının çeşitli programlama dillerinde kodlama yapmasına izin vermesidir (Python, C ++, R, Julia ve Scala, birkaçını belirtmek için). Bu, derin öğrenme modellerinizi, yeni bir şey öğrenmek zorunda kalmadan hangi dilde rahat olursanız olun eğitebileceğiniz anlamına gelir. Bu çerçeve Amazon tarafından derin öğrenme için referans kütüphanesi olarak kullanılmıştır.
Artıları:
- Birden fazla GPU’yu ölçeklendirebilir ve onlarla çalışabilir
- Hem RNN hem de CNN ile Uzun Kısa Süreli Bellek (LTSM) ağları
- Yüksek performanslı bir zorunlu API Kolay Model sunumu
Eksileri:
- Çok daha küçük topluluk
- Araştırmacılar arasında daha az popüler
Sonuç olarak yukarıda verilen, piyasadaki en iyi derin öğrenme çerçevelerinden bazılarıdır. Ürününüzün gereksinimlerini platformların artıları ve eksileriyle karşılaştırın; projeniz için hangisini kullanmanız gerektiğini kolayca görebilirsiniz.
Yazar: Stefan Krempl
Tercüme : Melih R. Çalıkoğlu
İlk Yayın Tarihi: 18 Haziran 2019
Kaynak : www.heise.de
