مجله هوش مصنوعی شهاب
در دنیای امروزه، ارگان ها و شرکت های بسیاری با استفاده از فناوری یادگیری ماشین و هوش مصنوعی برای ارتقای کسب و کار خود و حرکت رو به جلو نسبت به رقبای خود استفاده می کنند.
رشد فناوری یادگیری یادگیری ماشین و هوش مصنوعی سازمان ها را قادر ساخته است تا برای مشتریان خود از راه حل های هوشمند و پیش بینی های شخصی سازی شده استفاده کنند. با این حال، سازمان ها به دلایل گوناگون نمی توانند فناوری یادگیری ماشین و هوش مصنوعی را در پروسه کاری خود پیاده سازی کنند.
این جاست که خدمات مربوط به چارچوب های یادگیری عمیق وارد میدان می شود. این چارچوب ها رابط کاربری، کتابخانه و یا ابزارهایی هستند که عموما به صورت منبع باز منتشر شده و افرادی که دانش زیادی در مورد یادگیری ماشین و هوش مصنوعی ندارند، به راحتی می توانند آن ها را با یکدیگر ادغام کنند. چارچوب های یادگیری عمیق می تواند به شما در آپلود داده ها و آموزش یک مدل یادگیری عمیق کمک کند که به تجزیه و تحلیل، پیش بینی دقیق و شهودی منجر خواهد شد.
TensorFlow
تیم Google Brain، یک چارچوب یادگیری عمیق به نام TensorFlow را توسعه داد که می تواند از زبان های برنامه نویسی همچون Python و R پشتیبانی کند و از نمودارهای جریان داده برای پردازش داده ها استفاده کند که بسیار حائز اهمیت است؛ زیرا هنگامی که شما این شبکه های عصبی را ایجاد می کنید، می توانید نحوه جریان داده ها را از طریق شبکه های عصبی مشاهده کنید.
ساخت مدل های یادگیری ماشین با TensorFlow بسیار آسان است و می توان از آن ها برای تولید ماشین های یادگیری قوی استفاده کرد و امکان انجام آزمایشات قوی را به منظور انجام تحقیقات فراهم آورد.
با استفاده از TensorFlow شما همچنین برای تجسم داده ها به TensorBoard دسترسی دارید که یک بسته بزرگ است که معمولا مورد توجه قرار نمی گیرد.
TensorBoard، فرآیند نمایش بصری داده ها را هنگام کار با سهامدارانتان ساده سازی می کند. می توانید از بسته های R و Python نیز استفاده کنید.
| عرضه نسخه اولیه : | ۹ نوامبر ۲۰۱۵ |
| عرضه نسخه پایدار : | نسخه ۲٫۴٫۱ در تاریخ ۲۱ ژانویه ۲۰۲۱ |
| نوشته شده با زبان برنامه نویسی : | ++C و پایتون و CUDA |
| پلتفرم ها : | لینوکس، مک، ویندوز، اندروید، جاوا اسکریپت |
| نوع : | کتابخانه یادگیری ماشین |
| مخزن : | github.com/tensorflow/tensorflow |
| مجوز : | Apache License 2.0 |
| وبسایت رسمی : | www.tensorflow.org |
Keras
فرانچویس شولِت، در ابتدا Keras را با بیش از ۳۵۰ هزار کاربر و بیش از ۷۰۰ مشارکت کننده به صورت منبع باز توسعه داد و آن را تبدیل به یکی از سریع ترین بسته های چارچوب یادگیری عمیق در حال رشد تبدیل کرد.
Keras، از API شبکه عصبی سطح بالا که به زبان پایتون نوشته شده است، پشتیبانی می کند. چیزی که Keras را جالب می کند این است که روی TensorFlow ، Theano و CNTK اجرا می شود.
بسیاری از استارت آپ ها، آزمایشگاه های تحقیقاتی و کمپانی هایی مثل Microsoft Research، NASA ، Netflix و Cern از Keras استفاده می کنند.
سایر ویژگی های Keras
- کاربر پسند است؛ زیرا API های ساده ای ارائه می دهد و در مورد خطای کاربر بازخوردی واضح و عملی ارائه می دهد.
- ماژولار بودن را به عنوان یک دنباله یا نموداری از بخش های مجزا، مستقل و کاملا قابل تنظیم ارائه می دهد که می تواند با کمترین محدودیت ممکن ترکیب شود.
- به راحتی قابل توسعه است؛ زیرا بخش های جدید به سادگی اضافه می شوند که Keras را برای انجام تحقیقات پیشرفته مناسب می کند.
| عرضه نسخه اولیه : | ۲۷ مارس ۲۰۱۵ |
| عرضه نسخه پایدار : | نسخه ۲٫۴٫۰ در تاریخ ۱۹ ژوئن ۲۰۲۰ |
| پلتفرم ها : | کراس پلتفرم |
| نوع : | شبکه های عصبی |
| مخزن : | github.com/keras-team/keras |
| مجوز : | Massachusetts Institute of Technology (MIT) |
| وبسایت رسمی : | https://keras.io |
PyTorch
آدام پاسک، سام گروس، سومیث چینتالا و گریگوری چانان، برنامه نویسان PyTorch هستند که توسط آزمایشگاه تحقیقاتی هوش مصنوعی فیسبوک (FAIR)، توسعه یافته است.
این برنامه بر اساس چارچوب محاسبات علمی مبتنی بر Lua برای الگوریتم های یادگیری ماشین و یادگیری عمیق ساخته شده. PyTorch از Python ، CUDA همراه با کتابخانه های C++ برای پردازش استفاده کرد و برای مقیاس بندی تولید مدل های ساختمان و انعطاف پذیری کلی طراحی شد. اگر به C++ تسلط داشته باشید، احتمالا استفاده از PyTorch برای شما خیلی گام سختی نباشد.
کمپانی های بزرگی مثل فیسبوک، توییتر و گوگل از PyTorch استفاده می کنند.
سایر ویژگی های این چارچوب یادگیری عمیق عبارتند از:
- به دلیل پیشروی هیبریدی که دارد، حداکثر انعطاف و سرعت را فراهم می کند.
- آموزش توزیع شده مقیاس پذیر و بهینه سازی عملکرد در تحقیق و تولید را با استفاده از بخش پشتیبان ( توزیع torch) ارائه می کند.
- ادغام عمیق با پایتون به کتابخانه ها و بسته های محبوب اجازه می دهد تا به سرعت لایه های شبکه عصبی را در پایتون بنویسند.
| عرضه نسخه اولیه : | سپتامبر ۲۰۱۶ |
| عرضه نسخه پایدار : | نسخه ۱٫۷٫۱ در تاریخ ۱۰ دسامبر ۲۰۲۰ |
| پلتفرم ها : | IA-32, x86-64 |
| نوع : | کتابخانه یادگیری ماشین و یادگیری عمیق |
| مخزن : | github.com/pytorch/pytorch |
| مجوز : | Berkeley Software Distribution (BSD) |
| وبسایت رسمی : | https://pytorch.org |
Theano
دانشگاه دی مونترال، Theano را توسعه داده است که به زبان پایتون نوشته شده و حول NVIDIA CUDA متمرکز است و به کاربران این امکان را می دهد آن را با GPU ادغام کنند. کتابخانه پایتون به کاربران امکان بهینه سازی و ارزیابی عبارات ریاضی شامل آرایه های چند بعدی را می دهد.
- چارچوب Theano به طور کامل با NumPy تجمیع شده تا عملیات محاسباتی داده ها را به خوبی اجرا کند.
- از GPU برای محاسبات متمرکز بر روی داده ها استفاده می کند که بسیار بهینه تر و سریع تر از CPU است.
- واحد های تست و ارزیابی داخلی دارد که باعث می شود بسیاری از خطا ها را شناسایی و برطرف کند.
| عرضه نسخه اولیه : | ۲۰۰۷ |
| عرضه نسخه پایدار : | نسخه ۱٫۰٫۵ در تاریخ ۲۷ جولای ۲۰۲۰ |
| پلتفرم ها : | لینوکس، مک، ویندوز |
| نوع : | کتابخانه یادگیری ماشین |
| مخزن : | github.com/pytorch/pytorch |
| مجوز : | The 3-Clause Berkeley Software Distribution (BSD) |
| وبسایت رسمی : | http://www.deeplearning.net/software/theano |
Deeplearning4j (DL4J)
گروهی از محققین یادگیری ماشین متشکل از افرادی به نام های آدام گیبسون، الکس دی، ویاچِسلاو کوکورین، جاش پِتِرسون، چارچوب یادگیری عمیق Deeplearning4j (DL4J) را توسعه داده اند.
DL4J با جاوا، Scala، C++ ، C ، CUDA نوشته شده است که شبکه های عصبی گوناگونی مثل CNN ( شبکه عصبی کانوشنال)، RNN ( شبکه عصبی بازگشتی) و LSTM ( حافظه بلند مدت کوتاه مدت) را پشتیبانی می کند.
پس از پیوستن Skymind به بنیاد Eclipse در سال ۲۰۱۷، DL4J با Hadoop و Apache Spark ادغام شد. این قابلیت می تواند ابزار هوش مصنوعی را برای استفاده در CPU ها و GPU های توزیع شده وارد محیط های تجاری کند.
سایر خصوصیات dl4j عبارتند از:
- یک چارچوب محاسباتی توزیع شده در هنگام آموزش با DL4J به صورت خوشه ای عمل می کند.
- یک کلاس آرایه n بعدی با استفاده از ND4J ، امکان انجام محاسبات علمی در جاوا و Scala را فراهم می سازد.
- یک جعبه ابزار مدل سازی فضای برداری و مدل سازی موضوع ، برای مدیریت مجموعه های متنی بزرگ و اجرای NLP طراحی شده است.
| عرضه نسخه اولیه : | ۲۰۱۴ |
| عرضه نسخه پایدار : | نسخه ۱٫۰٫۰ بتا ۶ در تاریخ ۱۰ سپتامبر ۲۰۱۹ |
| پلتفرم ها : | کراس پلتفرم |
| نوع : | پردازش زبان طبیعی (NLP) ، یادگیری عمیق، یادگیری ماشین، هوش مصنوعی |
| مخزن : | github.com/pytorch/pytorch |
| مجوز : | The 3-Clause Berkeley Software Distribution (BSD) |
| وبسایت رسمی : | http://www.deeplearning.net/software/theano |
Caffe
این چارچوب در مرکز تحقیقات برکلی و یا BAIR توسعه داده شده و یانک کینگ جیا برنامه آن را نوشته است. Caffe مخفف عبارت ( Convolutional Architecture for Fast Feature Embedding) است. Caffe به زبان C++ با رابط پایتون نوشته شده است و عموما برای تشخیص و طبقه بندی تصاویر کاربرد دارد.
سایر ویژگی ها و موارد کاربرد Caffe
- در پروژه های تحقیقات آکادمیک، برنامه های استارت آپ ها و اپلیکیشن های صنعتی بزرگ مقیاس دیداری، گفتاری و چند رسانه ای
- از کتابخانه های تسریع هسته محاسباتی GPU و CPU محور مثل NVIDIA ،CUDNN و Intelmlk پشتیبانی می کند.
- قادر به پردازش بیش از ۶۰ میلیون تصویر در روز با استفاده از تک GPU NVIDIA K40 GPU است.
| عرضه نسخه پایدار : | نسخه ۱٫۰ در تاریخ ۱۸ آپریل ۲۰۱۷ |
| نوع : | کتابخانه یادگیری عمیق |
| مخزن : | https://github.com/BVLC/caffe |
| وبسایت رسمی : | http://caffe.berkeleyvision.org |
Chainer
Chainer که توسط PreferredNetworks با همکاری IBM ، Intel ، Microsoft و NVIDIA توسعه یافته است، صرفا به زبان پایتون نوشته شده است. Chainer در سطح بالای کتابخانه های Numpy و CuPy Python اجرا می شود و چندین کتابخانه توسعه یافته مثل Chainer RL ، Chainer MN ، Chainer CV و بسیاری دیگر از کتابخانه ها را ارائه می دهد.
سایر خصوصیات Chainer
- از محاسبات CUDA پشتیبانی می کند.
- برای استفاده از یک GPU ، فقط به چند خط کد نیاز دارد.
- Uns بر روی چندین پردازنده گرافیکی
- معماری های مختلف شبکه از جمله شبکه های پیشخور، convents و شبکه های بازگشتی را ارائه می دهد.
| نویسنده : | Seiya Tokui |
| عرضه نسخه اولیه : | ۹ ژوئن ۲۰۱۵ |
| عرضه نسخه پایدار : | نسخه ۷٫۷٫۰ در تاریخ ۳۰ جولای ۲۰۲۰ |
| پلتفرم ها : | کراس پلتفرم |
| نوع : | کتابخانه یادگیری عمیق |
| مخزن : | https://github.com/chainer/chainer |
| مجوز : | Massachusetts Institute of Technology (MIT) |
| وبسایت رسمی : | https://chainer.org |
Microsoft CNTK
مرکز تحقیقات مایکروسافت، CNTK را توسعه داد. یک چارچوب یادگیری عمیق که یک شبکه عصبی را به عنوان مجموعه ای از مراحل محاسباتی از طریق یک نمودار مستقیم ایجاد می کند.
CNTK از رابط هایی مثل Python و ++C پشتیبانی می کند و برای تشخیص دستخط، تشخیص گفتار و تشخیص چهره استفاده می شود.
سایر ویژگی های مایکروسافت CNTK عبارتند از:
- به منظور ارتقای سرعت و کارایی طراحی شده. CNTK در تولید با استفاده از GPU به خوبی مقیاس می شود، اما پشتیبانی محدودی از جامعه هدف دارد.
- از مدل های عصبی نوع RNN و CNN پشتیبانی می کند که قادر به مدیریت مشکلات تصویر، دستخط و تشخیص گفتار است.
| عرضه نسخه اولیه : | ۲۵ جولای ۲۰۱۵ |
| عرضه نسخه پایدار : | نسخه ۲٫۷٫۰ در تاریخ ۲۶ آپریل ۲۰۱۹ |
| پلتفرم ها : | کراس پلتفرم |
| نوع : | کتابخانه یادگیری عمیق و یادگیری ماشین |
| مخزن : | https://github.com/Microsoft/CNTK |
| مجوز : | Massachusetts Institute of Technology (MIT) |
| وبسایت رسمی : | https://www.microsoft.com/en-us/cognitive-toolkit |
هر کدام از این چارچوب ها مزایا و کاربرد ها مختص خود را دارند. بهتر است که برنامه نویسان خود را به یکی از این چارچوب ها محدود نکنند و برای پروژه ها و کاربرد های مختلف، چارچوب های مختلف را بکار بگیرند.
