TensorFlow ile mi oynuyorsunuz? Bu 30 işlevi bilmeniz gerekir
Lei Feng.com AI teknolojisi yorumu: TensorFlow şu anda en popüler derin öğrenme kitaplığıdır ve Google tarafından açık kaynaklı bir yapay zeka öğrenme sistemidir. Tensör, N boyutlu bir diziyi temsil eden tensör anlamına gelir; Akış, veri akış grafiklerine dayalı hesaplamaları temsil eden akış anlamına gelir. N boyutlu sayıların akış grafiğinin bir ucundan diğer ucuna akması süreci, yapay zeka sinir ağı tarafından analiz ve işleme sürecidir. Kısa bir süre önce, Twitter'daki bir Google AI mühendisi TensorFlow'un 30 ana işlevini özetledi ve Leifeng.com'un AI teknolojisi incelemeleri aşağıdaki gibi düzenlendi.
Son birkaç yılda, TensorFlow ile ilgili bilgi sistemi beynimi meşgul etti. Diğer güncellenmiş çerçevelerle karşılaştırıldığında, TensorFlow'un pek çok işlevi yoktur.
Bu ürüne kalbimi ve ruhumu koyup düşüncelerimi yazdım.Aşağıda birbiri ardına genişleyen bir liste var. Bunun için hazır mısın?
1) TensorFlow Uzantısı (TFX) Herkes, makine öğrenimi modellerini üretim ortamına dağıtmak için TFX ve onun tüm araçlarını kullanmayı özellikle sevdiğimi bilir. Modelleri güncel tutmayı ve takip etmeyi önemsiyorsanız, bu ürün hakkında bilgi edinebilir ve belgelerini okuyabilirsiniz.
Adres: tensorflow.org/tfx/?hl=zh-cn
2) TensorFlow göbeği
Modelinizi küçük bir veri seti üzerinde eğitmek veya genelleme yeteneğini geliştirmek istiyorsanız, transfer öğrenmeyi kullanmanız gerekecektir. TFHub modülü bunu kolaylaştırır ve açık kaynak yazılım mağazası https://tfhub.dev/ içinde kullanılabilir.
TF Hub'ın adresi: tensorflow.org/hub/
3) TFX veri doğrulama
Modeli yeniden eğitmek için kullanılan verilerin, modeli eğitmek için orijinal olarak kullanılan verilerle aynı biçime, kaynağa, adlandırma kuralına vb. Sahip olduğundan otomatik olarak nasıl emin olunur.
Çevrimiçi eğitim için bu çok fazla iş!
https://www.tensorflow.org/tfx/data_validation/?hl=zh-cn
4) TFX -TensorFlow dönüşümü
Benzer şekilde, yeniden eğitim için kullanılan verilerin otomatik olarak önceden işlenmesini isteyebilirsiniz: belirli özellikleri normalleştirme, dizeleri sayılara dönüştürme, vb. Dönüşüm, bu işlemleri yalnızca tek bir numune üzerinde değil, aynı zamanda parti verilerini de gerçekleştirebilir.
Web sitesi: https://www.tensorflow.org/tfx/transform/?hl=zh-cn
5) TFX model analizi
Modelin giriş verilerini kontrol etmek için TensorFlow model analiz işlevini veya model çıkarım sürecinde verilerin küçük bir kısmında oluşabilecek sorunları kullanmayı seviyorum. Tüm veri kategorilerinin olumsuz etkilenmemesini sağlamak için verileri iki kez kontrol etmek için kullanabilirim
Web sitesi: https://www.tensorflow.org/tfx/model_analysis/?hl=zh-cn
6) TFX Hizmeti
Hizmetler, yeni algoritmaları ve deneyleri dağıtmayı kolaylaştırır, ancak yine de aynı sunucu mimarisini + API'yi korur. Yalnızca TensorFlow'daki modelleri değil, diğer modelleri de doğrudan destekleyebilir.
Web sitesi: https://www.tensorflow.org/serving/?hl=zh-cn
7) TensorBoard
TensorBoard, TensorFlow çerçevesinde çok güzel bir görselleştirme aracıdır ve ayrıca doğrudan TensorFlow ile birlikte gelir. Modelin çalışması sırasında günlüğü görsel olarak görüntüleyebilir ve skaler, histogram, dağıtım, grafik, görüntü, ses vb. İçin kendi görüntüleme paneline sahiptir.
URL: https://t.co/CEVbcJTHLP?amp=1
8) TensorFlow Lite (#TFLite)
Modelleri cep telefonlarına ve gömülü cihazlara dağıtmak için #TFLite kullanın. Android telefonlarda bitki yapraklarının hastalıklı olup olmadığını algılayan uygulamalar veya AI becerilerine sahip küçük robotlar görüyorsanız, büyük olasılıkla #TFLite kullanacaklardır.
URL: https://t.co/suCsBIeQz4?amp=1
9) TensorFlowJS
Bu, tarayıcı ve Node.js'de ML modellerini eğitmek ve dağıtmak için bir JavaScript kitaplığıdır. TensorFlow Playground ve GAN Playground kullanmaya alışkınsanız, TFJS bunların arkasındaki destekleyici teknolojidir. TensorFlowJS ekibi de harika!
Web sitesi: https://js.tensorflow.org/
10) TensorFlow'da Swift
Swift, kodu çalıştırmadan önce tür hatalarını ve şekil uyuşmazlığı hatalarını yakalayabilir ve yerleşik bir otomatik farklılaştırma işlevine sahiptir. İstekli yürütme işlevini getirir ve TF'nin kullanılabilirliği büyük ölçüde geliştirilir. Hala bunu daha fazla kullanmam gerekiyor
Web sitesi: https://www.tensorflow.org/swift/
11) Keras
Keras artık doğrudan tf.keras olan TF'ye entegre edilmiştir. Bu, düşük seviyeli modelleri kullanmak istemiyorsanız, yine de yüksek seviyeli API'lerin kullanıcı dostu özelliklerini grafik + modeller oluşturmak için kullanabileceğiniz anlamına gelir. Sürüm 2.0 daha fazla özelliğe sahip olacak!
Web sitesi: https://www.tensorflow.org/guide/keras
12) Tensor2Tensor
Tensor2Tensor, derin öğrenme modelleri ve veri kümelerinden oluşan açık kaynaklı bir yazılım kitaplığıdır. Derin öğrenmeyi öğrenmeyi kolaylaştırabilir ve makine öğrenimi araştırmalarını teşvik edebilir. Ayrıca, bu modellerin ne zaman ve neden devreye alınması gerektiği konusunda üst düzey rehberlik sağlar.
Web sitesi: https://github.com/tensorflow/tensor2tensor
13) XLA (doğrusal cebir hesaplama ivmesi)
XLA, TensorFlow'un hesaplama yöntemini optimize eden doğrusal cebir alanında özel bir derleyicidir. Sonuç, bilgi işlem hızında, bellek kullanımında ve mobil platformların taşınabilirliğindeki gelişmelerdir.
Ama önce bir donanım hızlandırıcıya ihtiyacınız var!
Web sitesi: https://www.tensorflow.org/xla/
14) Kenar TPU
Düşük güçlü IO cihazları için yüksek performanslı makine öğrenimi çıkarımı küçük ASIC sağlayın. Örneğin, uç TPU, 100 + fps hızında MobileNet V2 modeli gibi en gelişmiş mobil görüş modelini çalıştırırken aynı zamanda güç tasarrufu sağlayabilir.
URL: https://cloud.google.com/edge-tpu/
15) Eflatun (İngilizce orijinal metni burada bırakın, Çince çevirisi bilinmiyor ...)
Bir müzisyen olarak Magenta beni inanılmaz derecede mutlu ediyor.
8 tuşlu girişi 88 tuşlu bir piyano ile eşleyebilir, otomatik olarak melodi eşliği oluşturabilir, müziğin görsel efektlerini görüntülemek için makine öğrenimini kullanabilir, melodileri yazıya dökebilir, yeni sesler oluşturabilir ve daha fazlasını yapabilirsiniz.
Web sitesi: https://magenta.tensorflow.org/
16) Tohum Bankası
Bu özellik nadiren tartışılıyor
Tohum kitaplığı, etkileşimli makine öğrenimi örneklerinin sürekli genişleyen bir koleksiyonudur. İhtiyaçlarınızı ve kullanım örneği araştırmasını karşılamak için bu örnekleri kullanabilir, değiştirebilir, deneyebilir ve tamamlayabilirsiniz. Tohum bankasının makine öğrenimi projesinde, adalet ve önyargıya odaklanma örnekleri bile var!
Çekirdek bankanın adresi: https://research.google.com/seedbank/
17) Google Colab analiz aracı Bu, TensorFlow'un benzersiz bir aracı değildir, ancak çok iyi bir araçtır, bundan bahsetmeliyim! Ücretsiz olarak kullanılabilen ve CPU / GPU / TPU veya yerel / uzak arka uç arasında geçiş yapılabilen etkileşimli bir Python dizüstü bilgisayardır!
18) Olasılık kütüphanesi
Derin öğrenme harikadır, ancak bir veri bilimci olarak modelinize bazı belirli bilgi alanlarından bahsetmek isteyebilirsiniz: Monte Carlo, varyasyonel çıkarım, Bayes teknikleri, vektör nicemleme otomatik kodlayıcıları vb.
Web sitesi: https://www.tensorflow.org/probability/
19) Model Parkı
Bu, örnekler ve kod parçacıkları dahil olmak üzere GoogleAI ve TensorFlow topluluğu açık kaynak modellerinden oluşan geniş bir koleksiyondur. Ağaçtan nöron programlarının sentezine.
Web sitesi: https://github.com/tensorflow/models
20) Dopamin
Bu, takviye öğrenme algoritmalarının prototipini oluşturmak için kolayca erişilebilir bir çerçevedir. Odaklanma: deneylerin basitliği, esnekliği, güvenilirliği ve tekrarlanabilirliği.
Not: Google bu ürünü henüz resmi olarak yayınlamadı!
URL: https://github.com/google/dopamine
Dopamine ekibi, bu ürünün nasıl kullanılacağını göstermek için bir dizi GoogleColab not defteri bile geliştirdi! Bu kullanıcı dostu yaklaşım aynı zamanda çerçeveyi daha değişken hale getirir.
URL: https://github.com/google/dopamine/blob/master/dopamine/colab/README.md
21) Nucleus modülü
Nype, SAM veya VCF gibi yaygın genomik verilerinin okunmasını, yazılmasını ve analiz edilmesini kolaylaştırmak için tasarlanmış bir Python ve C ++ kod kitaplığıdır. TensorFlow ile mükemmel şekilde entegre edilebilir.
URL: https://github.com/google/nucleus
2018 TensorFlow Geliştirici Zirvesi için lütfen You Tube videosunu kontrol edin:
https://www.youtube.com/watch?v=vdG7uKQ2eKk
22) TensorFlow Araştırma Bulutu (TFRC)
Bu, makine öğrenimi araştırma topluluğu için toplam 180 MPa bilgi işlem gücü sağlayan ve tamamen ücretsiz olan 1.000 Google Cloud TPU kümesinden oluşur ve makine öğrenimindeki bir sonraki atılım için kendi katkısını yapar.
Web sitesi: https://www.tensorflow.org/tfrc/
23) TensorFlow topluluğu
Bu belirli bir ürün değildir, ancak TensorFlow ekosistemi için çok önemlidir.
Google AI'nın topluluk üzerindeki yeni odak noktası: Edd tarafından yönetilen posta listeleri, sosyal medya, özel ilgi grupları ve TensorFlow yeni / değiştirilmiş özellikleri doğrudan giriyor.
24) TensorFlow belgeleri
Tüm dosyalarımızın @ GITHUB'a yerleştirildiğini biliyor muydunuz? Hayatın her kesiminden gelen katkı ve önerilere hoş geldiniz! Nasıl başlayacağınızı öğrenmek için @billylamberta'ya sormanız yeterli!
Stil kılavuzu: https://www.tensorflow.org/community/documentation
Geri bildirim sorusu:
https://github.com/tensorflow/tensorflow/issues?q=is%3Aopen+is%3Aissue+label%3Atype%3Adocs
25) Rstats
fly_upside_down, rstudio ve fchollet, geliştiriciler için yüksek seviyeli # Keras + Tahmin API'sini kullanan ve ağın daha düşük bir seviyede ayarlanması gerektiğinde daha fazla kontrol sağlayan bir R arayüzü oluşturur.
Bununla ilgili bir kitap bile var: https://tensorflow.rstudio.com/
26) AdaNet
Derin sinir ağlarının yapı / optimizasyon ağırlıklarının uyarlamalı öğrenimi için bir algoritma. Uyarlanabilir makine öğrenimi çekirdekleri hakkında daha fazla bilgi edinmek istiyorsanız AdaNet'in eğitimi iyi bir başlangıç noktasıdır!
İlgili adres: https://github.com/tensorflow/adanet
AdaNet üzerine makale: https://arxiv.org/abs/1607.01097
27) Bilinçli
Yorumlanabilirlik, yani sinir ağlarının ne kadar derin kararlar aldığı, etik makine öğrenimi ve önemli etkiye sahip senaryolarda derin öğrenmenin kullanılması için çok önemlidir.
https://github.com/tensorflow/lucid İşte GoogleColab'ın öğreticileri, kodu ve distillpub makaleleri
28) Konsept aktivasyon vektör testi
Benzer akıl yürütme: yorumlanabilirlik yöntemlerinin çoğu, her bir girdi özelliğindeki (örneğin pikseller) önemli ağırlıkları gösterir. Buna karşılık, TCAV üst düzey kavramların (örneğin renk, cinsiyet, ırk), yani insanların nasıl iletişim kurmasının önemini göstermektedir.
Web sitesi: https://github.com/tensorflow/tcav
29) Cleverhans
Modellerinizin performansı giriş verilerine büyük ölçüde bağlıysa, verileri manipüle ederek veya kirleterek bu modelleri yok edebilirsiniz. @ Goodfellow_ian'ın blogunda, saldırılara karşı güvenlik açığı değerlendirmesi için bir kıyaslama kitaplığı sağlamak için cleverhans'ı nasıl kullanacağınızı görebilirsiniz!
Web sitesi: https://github.com/tensorflow/cleverhans
30) Rust + Haskell ve C API kombinasyonu
Daha önce rstats desteğinden bahsetmiştim ve diğer topluluk projelerinden de bahsedildiğinden emin olmak istiyorum (TensorFlowSharp, MiguelDigias tarafından oluşturulmuştur).
URL'yi görüntüleyebilirsiniz:
https://github.com/tensorflow/rust
https://github.com/tensorflow/haskell
https://github.com/migueldeicaza/TensorFlowSharp
DynamicWebPaige'nin Twitter'ı aracılığıyla Lei Feng.com AI teknolojisi yorumu.
