9 กรอบในโลกแห่งปัญญาประดิษฐ์

หายไปเป็นเวลาที่ AI ถือว่าเป็นตัวละคร.


จากหุ่นยนต์ไปถึง Google Siri และตอนนี้การแนะนำ Google Duplex ใหม่ปัญญาประดิษฐ์ดูเหมือนว่าจะมีความก้าวหน้าอย่างมากที่จะกลายเป็นมนุษย์มากขึ้น.

ความต้องการการเรียนรู้ของเครื่องจักรและ AI เพิ่มขึ้นอย่างทวีคูณ นอกจากนี้ชุมชนเองก็เพิ่มขึ้นเป็นผลและนั่นนำไปสู่การวิวัฒนาการของกรอบ AI บางอย่างซึ่งทำให้การเรียนรู้ AI ง่ายขึ้นมาก.

ในบทความนี้เราจะหารือเกี่ยวกับกรอบที่ดีที่สุดเพื่อให้คุณเริ่มต้นกับการพัฒนา AI.

กระแสแรงดึง

ยกย่องจากตระกูล Google, กระแสแรงดึง พิสูจน์ให้เห็นว่าเป็นกรอบโอเพ่นซอร์สที่แข็งแกร่งที่รองรับการเรียนรู้อย่างลึกซึ้งและสามารถเข้าถึงได้จากอุปกรณ์พกพา.

Tensor flow ถือเป็นเครื่องมือที่เหมาะสมสำหรับการพัฒนาโปรแกรมทางสถิติ เนื่องจากมีการฝึกอบรมแบบกระจายรุ่นของเครื่องจักรจึงสามารถได้รับการฝึกฝนอย่างมีประสิทธิภาพมากขึ้นในทุกระดับของสิ่งที่ผู้ใช้ต้องการ.

คุณสมบัติ

  • อินเตอร์เฟซการเขียนโปรแกรมหลายที่ปรับขนาดได้สำหรับการเขียนโปรแกรมง่าย
  • ปัจจัยขับเคลื่อนการเติบโตที่แข็งแกร่งพร้อมกับชุมชนโอเพ่นซอร์สที่แข็งแกร่ง
  • จัดทำคู่มือที่ครอบคลุมและมีเอกสารที่ครบถ้วนสำหรับคนทั่วไป

ข้อดี

  • ภาษาที่ใช้โดย tensor flow คือ Python ซึ่งเป็นที่นิยมมากในปัจจุบัน.
  • กรอบการทำงานนี้มีความสามารถในการคำนวณพลังงานสูง ดังนั้นมันสามารถใช้กับ CPU หรือ GPU ใด ๆ.
  • ใช้นามธรรมการคำนวณเชิงนามธรรมเพื่อสร้างแบบจำลองเครื่อง

จุดด้อย

  • ในการตัดสินใจหรือการทำนายเฟรมเวิร์กจะส่งผ่านข้อมูลอินพุตผ่านหลายโหนด อาจใช้เวลานาน.
  • มันยังขาดโมเดล AI ที่ผ่านการฝึกอบรมมาแล้วหลายรุ่น.

Microsoft CNTK

Microsoft CNTK เป็นเฟรมเวิร์กโอเพนซอร์ซที่เร็วขึ้นและหลากหลายซึ่งขึ้นอยู่กับเครือข่ายประสาทเทียมที่รองรับข้อความข้อความและการปรับแต่งเสียง.

มันให้สภาพแวดล้อมการปรับขนาดที่มีประสิทธิภาพเนื่องจากการประเมินโดยรวมได้เร็วขึ้นของรุ่นเครื่องในขณะที่การดูแลความถูกต้อง.

Microsoft CNTK มีการผสานรวมกับชุดข้อมูลขนาดใหญ่ที่สำคัญทำให้เป็นทางเลือกชั้นนำที่ได้รับการยอมรับจากผู้เล่นรายใหญ่เช่น Skype, Cortana และอื่น ๆ ด้วยสถาปัตยกรรมที่ใช้งานง่ายที่แสดงออกอย่างชัดเจนเช่นกัน.

คุณสมบัติ

  • ปรับแต่งสูงเพื่อให้มีประสิทธิภาพความสามารถในการปรับขยายความเร็วและการผสานรวมระดับสูง
  • มีส่วนประกอบในตัวเช่นการปรับค่าพารามิเตอร์สูง, โมเดลการเรียนรู้แบบมีผู้สอน, การเสริมแรง, CNN, RNN, ฯลฯ.
  • ใช้ทรัพยากรเพื่อให้เกิดประสิทธิภาพสูงสุด.
  • เครือข่ายของตนเองที่สามารถแสดงผลได้อย่างมีประสิทธิภาพเช่น API แบบเต็มทั้งในระดับสูงและระดับต่ำ

ข้อดี

  • เนื่องจากรองรับ Python และ C ++ กรอบงานนี้สามารถทำงานกับเซิร์ฟเวอร์หลายเครื่องพร้อมกันและทำให้กระบวนการเรียนรู้เร็วขึ้น.
  • มันได้รับการพัฒนาโดยคำนึงถึงการพัฒนาล่าสุดในโลกของ AI สถาปัตยกรรมของ Microsft CNTK รองรับ GAN, RNN และ CNN.
  • อนุญาตให้มีการฝึกอบรมแบบกระจายเพื่อฝึกอบรมโมเดลเครื่องได้อย่างมีประสิทธิภาพ.

จุดด้อย

  • มันไม่มีบอร์ดสร้างภาพและรองรับ ARM มือถือ.

Caffe

Caffe เป็นเครือข่ายการเรียนรู้เชิงลึกที่มาพร้อมกับชุดโครงข่ายประสาทเทียมที่ได้รับการโหลดไว้ล่วงหน้า นี่เป็นครั้งแรกที่คุณควรเลือกหากใกล้ถึงกำหนด.

รู้จักในความสามารถในการประมวลผลภาพเฟรมเวิร์กนี้ยังได้รับการสนับสนุนเพิ่มเติมจาก MATLAB.

คุณสมบัติ

  • ทุกรุ่นมีการเขียนในแบบแผนธรรมดา
  • ให้ความเร็วสูงและทำงานได้อย่างมีประสิทธิภาพเนื่องจากโหลดไว้ล่วงหน้าแล้ว.
  • ชุมชนโอเพ่นซอร์สที่ใช้งานอยู่สำหรับการสนทนาและรหัสการทำงานร่วมกัน.

ข้อดี

  • การเชื่อมโยง C, C ++ และ Python มันยังรองรับการสร้างแบบจำลองของ CNN (เครือข่ายประสาทเทียม)
  • มีประสิทธิภาพเมื่อคำนวณงานตัวเลขเนื่องจากความเร็ว.

จุดด้อย

  • Caffe ไม่สามารถจัดการข้อมูลที่ซับซ้อนได้ แต่ค่อนข้างเร็วในขณะที่จัดการกับการประมวลผลภาพ.

Theano

การใช้ GPU แทนซีพียูเฟรมเวิร์กนี้สนับสนุนการวิจัยการเรียนรู้เชิงลึกและสามารถส่งมอบความแม่นยำสำหรับเครือข่ายที่ต้องการพลังงานในการคำนวณสูง ตัวอย่างเช่นการคำนวณอาร์เรย์ที่มีหลายมิติต้องการพลังงานสูงและ Theano ก็สามารถทำได้เช่นกัน.

Theano ขึ้นอยู่กับหลามซึ่งเป็นภาษาการเขียนโปรแกรมที่พิสูจน์แล้วเมื่อมันมาถึงการประมวลผลและการตอบสนองที่เร็วขึ้น.

คุณสมบัติ

  • การประเมินผลนิพจน์เร็วขึ้นเนื่องจากการสร้างรหัสแบบไดนามิก
  • ให้อัตราส่วนความแม่นยำที่ยอดเยี่ยมแม้ว่าค่าจะน้อยที่สุด.
  • การทดสอบหน่วยเป็นคุณสมบัติที่สำคัญของ Theano เนื่องจากช่วยให้ผู้ใช้สามารถตรวจสอบรหัสของตนเองได้เช่นเดียวกับตรวจจับและวินิจฉัยข้อผิดพลาดได้อย่างง่ายดาย.

ข้อดี

  • Theano ให้การสนับสนุนที่มีประสิทธิภาพสำหรับแอพพลิเคชั่นที่ใช้ข้อมูลจำนวนมาก แต่ต้องใช้ร่วมกับห้องสมุดอื่น ๆ.
  • ปรับแต่งให้เหมาะสมสำหรับ CPU และ GPU

จุดด้อย

  • จะไม่มีการอัปเดตหรือเพิ่มเติมคุณสมบัติในรุ่นปัจจุบันของ Theano.

 การเรียนรู้ของเครื่องอเมซอน

การเป็นผู้เข้าร่วมที่มีแนวโน้มต่อชุมชน AI, การเรียนรู้ของเครื่องอเมซอน เสนอการสนับสนุนระดับสูงในการพัฒนาเครื่องมือการเรียนรู้ด้วยตนเอง.

เฟรมเวิร์กนี้มีฐานผู้ใช้ที่มีอยู่แล้วในบริการหลากหลายเช่น AWS, S3 และ Amazon Redshift นี่คือบริการที่จัดการโดยอเมซอนโดยมีการดำเนินการสามแบบในแบบจำลองซึ่ง ได้แก่ การวิเคราะห์ข้อมูลการฝึกอบรมแบบจำลองและการประเมินผล.

คุณสมบัติ

  • มีเครื่องมือที่ปรับให้เหมาะกับประสบการณ์ทุกระดับใน AWS แม้ว่าคุณจะเป็นมือใหม่นักวิทยาศาสตร์ด้านข้อมูลหรือนักพัฒนาก็ตาม
  • ความปลอดภัยมีความสำคัญสูงสุดดังนั้นข้อมูลทั้งหมดจึงถูกเข้ารหัส
  • มีเครื่องมือมากมายสำหรับการวิเคราะห์ข้อมูลและความเข้าใจ
  • การรวมเข้ากับชุดข้อมูลหลักทั้งหมด

ข้อดี

  • คุณไม่จำเป็นต้องเขียนโค้ดจำนวนมากด้วยกรอบงานนี้ แต่จะช่วยให้คุณโต้ตอบกับกรอบงาน AI ขับเคลื่อนผ่าน API.
  • ที่ใช้กันทั่วไปโดยนักวิทยาศาสตร์ข้อมูลนักพัฒนาและนักวิจัย ML.

จุดด้อย

  • มันไม่มีความยืดหยุ่นเนื่องจากกรอบทั้งหมดถูกทำให้เป็นนามธรรมดังนั้นหากคุณต้องการเลือกการทำให้เป็นมาตรฐานหรืออัลกอริทึมการเรียนรู้ของเครื่องคุณไม่สามารถ.
  • มันยังขาดการสร้างภาพข้อมูล.

คบเพลิง

คบเพลิง เป็นกรอบโอเพ่นซอร์สที่สามารถรองรับการทำงานเชิงตัวเลข มันมีอัลกอริทึมมากมายสำหรับการพัฒนาเครือข่ายการเรียนรู้ลึกได้เร็วขึ้น.

มันถูกใช้อย่างกว้างขวางในห้องปฏิบัติการ AI ของ Facebook และ Twitter มีกรอบการทำงานแบบหลามที่รู้จักกันในชื่อ PyTorch ซึ่งพิสูจน์แล้วว่าง่ายกว่าและเชื่อถือได้มากกว่า.

คุณสมบัติ

  • มีงานประจำจำนวนมากในการจัดทำดัชนีชิ้นส่วนขนย้ายด้วยโมเดลอาร์เรย์ N-Dim
  • กิจวัตรการเพิ่มประสิทธิภาพนั้นมีอยู่ส่วนใหญ่เป็นตัวเลขที่ขึ้นกับโมเดลโครงข่ายประสาท
  • การสนับสนุน GPU มีประสิทธิภาพสูง
  • ผสานรวมกับ iOS และ Andriod ได้อย่างง่ายดาย

ข้อดี

  • ความยืดหยุ่นสูงมากเกี่ยวกับภาษาและการรวมระบบ
  • ความเร็วสูงและประสิทธิภาพการใช้ GPU ในระดับสูง
  • โมเดลที่มีอยู่ก่อนพร้อมใช้งานเพื่อฝึกอบรมข้อมูล.

จุดด้อย

  • เอกสารไม่ชัดเจนสำหรับผู้ใช้ดังนั้นจึงแสดงเส้นโค้งการเรียนรู้ที่ชันกว่า
  • ไม่มีรหัสสำหรับการใช้ทันทีจึงต้องใช้เวลา.
  • มันเริ่มต้นจากภาษาการเขียนโปรแกรมที่เรียกว่า Lua และไม่ค่อยมีใครรู้.

Accord.Net

Accord.net เป็นเฟรมเวิร์ก C # ซึ่งช่วยในการพัฒนาโครงข่ายประสาทเทียมที่ใช้สำหรับการประมวลผลเสียงและภาพ.

แอปพลิเคชันสามารถใช้เชิงพาณิชย์นี้เพื่อผลิตแอปพลิเคชั่นการมองเห็นคอมพิวเตอร์การประมวลผลสัญญาณและแอพพลิเคชั่นสถิติ.

คุณสมบัติ

  • โค้ดเบสสำหรับผู้ใหญ่ที่ผ่านการทดสอบอย่างดีซึ่งเริ่มต้นในปี 2012
  • จัดเตรียมชุดตัวอย่างและชุดข้อมูลที่ครอบคลุมเพื่อให้แอปพลิเคชันของคุณเริ่มต้นได้อย่างรวดเร็ว

ข้อดี

  • ได้รับการสนับสนุนอย่างต่อเนื่องโดยทีมพัฒนาที่ใช้งานอยู่.
  • เฟรมเวิร์กที่มีเอกสารที่ดีนี้ซึ่งมีประสิทธิภาพในการจัดการการคำนวณเชิงตัวเลขและการมองเห็นอย่างมีประสิทธิภาพ
  • การใช้อัลกอริธึมและการประมวลผลสัญญาณสามารถทำได้อย่างสะดวกด้วยกรอบงานนี้.
  • มันสามารถจัดการการเพิ่มประสิทธิภาพเชิงตัวเลขและเครือข่ายประสาทเทียมได้อย่างง่ายดาย.

จุดด้อย

  • ไม่เป็นที่รู้จักมากนักเมื่อเทียบกับกรอบอื่น ๆ.
  • ประสิทธิภาพการทำงานช้าลงเมื่อเทียบกับกรอบงานอื่น ๆ.

Apache Mahout

Apache Mahout, เป็นกรอบการทำงานโอเพนซอร์ซมุ่งพัฒนากรอบการเรียนรู้ของเครื่องที่ปรับขนาดได้ มันไม่ได้จัดการกับ API ดังกล่าว แต่ช่วยในการใช้อัลกอริทึมการเรียนรู้ของเครื่องใหม่โดยนักวิทยาศาสตร์และวิศวกรข้อมูล.

คุณสมบัติ

  • รู้จักกันในชื่อ Scala DSL ซึ่งแสดงออกทางคณิตศาสตร์อย่างมาก
  • ขยายการรองรับหลายแบ็กเอนด์ที่กระจาย.

ข้อดี

  • ช่วยในการจัดกลุ่มการกรองการทำงานร่วมกันและการจำแนก.
  • การดำเนินการคำนวณใช้ประโยชน์จากห้องสมุด Java ซึ่งเร็วกว่า.

จุดด้อย

  • ไลบรารี Python ไม่สามารถใช้งานได้กับไลบรารี Java ที่มีเฟรมเวิร์กนี้.
  • การดำเนินการคำนวณช้ากว่า Spark MLib.

Spark MLib

Spark MLib Framework โดย Apache สนับสนุนโดย R, Scala, Java และ Python สามารถโหลดได้ด้วยเวิร์กโฟลว์ Hadoop สำหรับจัดเตรียมอัลกอริทึมการเรียนรู้ของเครื่องเช่นการจำแนกการถดถอยและการจัดกลุ่ม.

นอกเหนือจาก Hadoop แล้วมันยังสามารถรวมเข้ากับคลาวด์, Apache หรือแม้แต่ระบบแบบสแตนด์อโลน.

คุณสมบัติ

  • ประสิทธิภาพสูงเป็นหนึ่งในองค์ประกอบสำคัญและกล่าวกันว่าเร็วกว่า MapReduce 100 เท่า
  • Spark มีความหลากหลายเป็นพิเศษและทำงานในสภาพแวดล้อมการประมวลผลที่หลากหลาย

ข้อดี

  • สามารถประมวลผลข้อมูลจำนวนมหาศาลได้อย่างรวดเร็วเนื่องจากทำงานบนการคำนวณแบบวนซ้ำ.
  • มันมีให้บริการในหลายภาษาและสามารถเสียบได้ง่าย.
  • มันวนรอบการประมวลผลข้อมูลขนาดใหญ่ได้อย่างง่ายดาย.

จุดด้อย

  • สามารถเสียบกับ Hadoop เท่านั้น.
  • เป็นการยากที่จะเข้าใจกลไกของกรอบนี้โดยไม่ต้องทำงานอย่างกว้างขวางเหมือนกัน

กรอบ AI เปรียบเทียบ

กรอบภาษาโอเพ่นซอร์ส?คุณสมบัติของสถาปัตยกรรม
TensorFlowC ++ หรือ Pythonใช่ใช้โครงสร้างข้อมูล
Microsoft CNTKค++ใช่ใช้ GPU / CPU รองรับ RNN, GNN และ CNN.
Caffeค++ใช่สถาปัตยกรรมรองรับซีเอ็นเอ็น
Theanoหลามใช่สถาปัตยกรรมที่ยืดหยุ่นช่วยให้สามารถปรับใช้ใน GPU หรือ CPU ใด ๆ
การเรียนรู้ของเครื่องอเมซอนหลายภาษาใช่Hailing จาก Amazon ใช้ AWS.
คบเพลิงLuaใช่สถาปัตยกรรมช่วยให้การคำนวณมีประสิทธิภาพ.
Accord.Netค#ใช่สามารถคำนวณทางวิทยาศาสตร์และจดจำรูปแบบได้.
Apache MahoutJava, Scalaใช่ความสามารถในการทำให้เครื่องจักรเรียนรู้โดยไม่ต้องตั้งโปรแกรม
Spark MLibR, Scala, Java และ Pythonใช่ไดรเวอร์และตัวจัดการรันในโปรเซสเซอร์ กลุ่มแนวนอนหรือแนวตั้ง.

ฉันหวังว่าข้างต้นช่วยให้คุณเลือกกรอบ AI สำหรับการพัฒนาแอปพลิเคชั่นที่ทันสมัยของคุณต่อไป.

หากคุณเป็นนักพัฒนาซอฟต์แวร์และต้องการเรียนรู้การเรียนรู้อย่างลึกซึ้งเพื่อเข้าสู่ AI คุณอาจลองพิจารณาสิ่งนี้ หลักสูตรออนไลน์พิเศษโดย Coursera.

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me
    Like this post? Please share to your friends:
    Adblock
    detector
    map