Mientras que la mayoría de nosotros estamos ‘asombrados’ con los primeros usos de la IA, ésta sigue desarrollándose a un ritmo muy prometedor, familiarizándonos con cálculos más desarrollados como el Aprendizaje Profundo. Ejemplos de algunas bibliotecas de aprendizaje profundo son Tensor Flow, PyTorch, etc. Esta rama, casualmente, está atrayendo mucha más atención que todos los demás cálculos de ML consolidados. No necesito proclamarlo. Está aquí.
¿Qué es el aprendizaje profundo?
El aprendizaje profundo es una estrategia de Inteligencia Artificial que entrena a los PCs para hacer lo que se necesita sin problemas para la gente: aprender por modelo. Es una especie de aprendizaje por máquina, innovación clave detrás de los vehículos sin conductor, que les permite percibir una señal de alto o reconocer a una persona a pie desde un poste de luz. Es la manera de controlar por voz los aparatos de los compradores como teléfonos, tabletas, televisores y sin altavoces. El aprendizaje profundo está recibiendo mucha consideración recientemente y a la luz de las circunstancias actuales. Está logrando resultados que antes no eran prácticos.
En el aprendizaje profundo, un modelo de PC averigua cómo realizar recados agrupados legítimamente a partir de imágenes, contenido o sonido. Los modelos de aprendizaje profundo pueden lograr la mejor precisión en la clase, en algunos casos, superando la ejecución a nivel humano. Los modelos se preparan utilizando una vasta disposición de información nombrada y diseños de sistemas neurales que contienen numerosas capas.
¿Por qué el DL es tan aceptable?
Es extraordinario en cuanto a la precisión cuando se prepara con una enorme cantidad de información. De la misma manera, asume un trabajo crítico para llenar el hueco cuando una situación es difícil para el cerebro humano. De esta manera, muy consistente esto se suma a toda una serie de nuevos sistemas que aparecen.
Instancias de aprendizaje profundo en el trabajo
Las aplicaciones de aprendizaje profundo se utilizan en los negocios desde el encabezamiento computarizado hasta los aparatos clínicos.
- Conducción mecanizada: Los analistas de la industria automotriz están utilizando una profunda investigación sobre cómo identificar consecuentemente los artículos, por ejemplo, las señales de alto y los semáforos. Asimismo, el aprendizaje en profundidad se utiliza para identificar a las personas a pie, lo que ayuda a disminuir los percances.
- La aviación y la defensa: El aprendizaje profundo se utiliza para reconocer los objetos de los satélites que encuentran territorios de primera calidad, y distinguir las zonas protegidas o peligrosas para las tropas.
- Investigación clínica: Los analistas del cáncer están utilizando la profunda averiguación de cómo identificar las células malignas en consecuencia. Grupos de la UCLA fabricaron una lente de aumento propulsada que produce una colección de información de alta dimensión utilizada para preparar una aplicación de aprendizaje inteligente para distinguir con precisión las células malignas.
- Automatización mecánica: El aprendizaje profundo ayuda a mejorar la seguridad de los trabajadores en torno al abrumador hardware, reconociendo en consecuencia cuando los individuos o los objetos están dentro de una separación arriesgada de las máquinas.
- Hardware: El aprendizaje profundo se está utilizando en la audición mecanizada y la interpretación del discurso. Por ejemplo, los aparatos de ayuda doméstica que reaccionan a tu voz y se dan cuenta de tus inclinaciones son alimentados por aplicaciones de aprendizaje profundo.
Inteligencia Artificial y Aprendizaje Profundo
La inteligencia artificial (IA) comenzó como un subcampo de la ingeniería de software con la atención puesta en abordar emprendimientos que la gente aún puede. que los PCs no pueden llevar a cabo (por ejemplo, reconocimiento de imágenes). La inteligencia simulada puede acercarse desde numerosos puntos de vista, por ejemplo, componiendo un programa de PC que ejecute un montón de reglas ideadas por especialistas del área. En la actualidad, las reglas de fabricación manual pueden ser estrictas y tediosas.
El campo de la IA -inicialmente, podemos considerarlo como un subcampo de la IA- estaba preocupado por el avance de los cálculos con el objetivo de que los PCs pudieran aprender de forma natural modelos (premonitorios) a partir de la información.
Por ejemplo, un estado que necesitamos para construir un programa que pueda percibir los dígitos escritos manualmente de las imágenes. Uno está echando un vistazo a todas estas imágenes y piensa en un montón de reglas (establecidas) para establecer qué imagen se muestra en una figura específica (por ejemplo, echando un vistazo a las áreas generales de los píxeles).
Otra metodología consiste en utilizar un cálculo de la IA, que puede ajustarse a un modelo clarividente dependiente de un gran número de pruebas de imagen marcadas que podemos haber reunido en una base de datos. En la actualidad, hay además una realización profunda, que por lo tanto es un subcampo de la IA, que alude a un subconjunto específico de modelos que son excepcionalmente aceptables en tareas concretas, por ejemplo, el reconocimiento de imágenes y la preparación del lenguaje estándar.
O, para decirlo claramente, la IA (y el aprendizaje profundo) indudablemente ayudan a crear «Inteligencia Artificial», en cualquier caso, la IA no necesita ser creada utilizando la IA – aunque la IA hace que la «inteligencia basada en la computadora» sea sustancialmente más útil ;).
Pocos ejemplos de bibliotecas de aprendizaje profundo
Sólo un par de años antes, ninguno de los pioneros, aparte de Theano, estaba ni siquiera cerca. Actualmente la decisión es significativa, así que para comprender lo que es más apropiado es el gasto de tiempo y vitalidad. Considerando todas las cosas, esa es la razón por la que estoy haciendo este post. De inmediato, ¿qué tal si empezamos a aprender sobre algunas bibliotecas de aprendizaje profundo en detalle.
1. Flujo tensorial
El Tensorflow de Google, aparentemente la estructura de aprendizaje profundo más dominante hoy en día. Gmail, Uber, Airbnb, Nvidia y un montón de otras marcas inconfundibles que lo utilizan. TF es el estándar y el esquema DL número uno hoy en día, pero honestamente, es una situación poco común cuando la notoriedad se eleva a la viabilidad.
Cosas esenciales que hay que saber:
- Python es el lenguaje más útil para trabajar con TensorFlow. Sea como fuere, también hay interfaces de prueba accesibles en JavaScript, C ++, Java y Go, C # y Julia.
- TF considera grupos de cálculo de ciencia de datos pioneros, así como la capacidad de ejecutar modelos en escenarios portátiles como iOS y Android.
- TF necesita una tonelada de codificación. No te dará una asombrosa IA a medio plazo, es sólo un aparato para la investigación de aprendizaje profundo que idealmente lo hará un poco menos pesado. Tienes que ponderar el diseño del sistema neural, estudiar con precisión la medida y el volumen de información y producir información.
- TF trabaja con un gráfico de cálculo estático. Es decir, inicialmente caracterizamos el gráfico; en ese punto, hacemos los recuentos y, en el caso de que tengamos que hacer cambios en el diseño, volvemos a entrenar el modelo. Tal metodología fue elegida por su eficacia. Sin embargo, numerosos aparatos del sistema neural de vanguardia pueden considerar el refinamiento del procedimiento de aprendizaje sin una desgracia masiva en la velocidad de aprendizaje. En este momento, el contendiente fundamental de TensorFlow es el PyTorch.
¿Qué tiene de bueno?
- Ayuda a hacer y probar diferentes cosas con diseños de aprendizaje profundo, y su definición es ventajosa para la reconciliación de la información, por ejemplo, contribuyendo con gráficos, tablas SQL e imágenes en conjunto.
- Está respaldado por Google, que promete que permanecerá por algún tiempo, de ahí en adelante es un buen augurio para contribuir con tiempo y recursos para aprenderlo.
Los malos
- Los enfermeros diplomados siguen siendo un poco escasos, comparados con Theano.
- Falta de ejemplos fidedignos para la ingestión de datos.
- La documentación puede ser inconsistente.
- La utilización heterogénea de los recursos añade complejidad.
- TensorFlow puede acaparar una GPU.
- Por defecto, Theano y TensorFlow pueden entrar en conflicto.
Tensorflow es increíble de todas formas, pero ¿no debería decirse algo sobre los diferentes instrumentos? Deberíamos analizar y comprobar si el TF estará en el lugar número uno.
2. PyTorch
La biblioteca esencial de aprendizaje profundo después de Tensorflow es PyTorch. La estructura de PyTorch fue producida para los beneficios de Facebook, pero ahora es utilizada para sus recados por organizaciones como Twitter y Salesforce.
Cosas esenciales que hay que saber:
- A diferencia de TensorFlow, el marco de aprendizaje profundo de la PyTorch funciona con un gráfico que se actualiza progresivamente. Implica que permite hacer cambios en la ingeniería todo el tiempo.
- En PyTorch, puedes utilizar depuradores estándar, por ejemplo, PDB o PyCharm.
¿Qué tiene de bueno?
- La forma de preparar un sistema neural es sencilla y clara. Simultáneamente, PyTorch refuerza el modelo de ciencia de datos y aprendizaje profundo y contiene numerosos modelos preparados.
- PyTorch es muy mejorado apropiado para pequeñas actividades y prototipos. Con respecto a los arreglos de etapas cruzadas, TensorFlow se parece a una decisión progresivamente apropiada. En cualquier caso, es esencial que para tareas similares se pueda utilizar la versátil estructura de Caffe2 presentada en 2017.
3. Sonnet
Este marco de aprendizaje profundo está basado en TensorFlow. Está destinado a hacer sistemas neuronales con un diseño alucinante de la organización mundialmente conocida como DeepMind.
Cosas esenciales que hay que saber:
- Bibliotecas situadas en niveles significativos que logran la reflexión al crear sistemas neuronales (NN) u otros cálculos de IA (ML).
- El soneto es para construir los objetos esenciales de Pitón comparándolos con una pieza particular del sistema neural. Además, estos artículos se asocian libremente con el diagrama computacional TensorFlow. Aislar el camino hacia la fabricación de objetos y conectarlos con una imagen agiliza el plan de diseños de niveles significativos. Se pueden encontrar más datos sobre estos estándares en la documentación de la estructura.
¿Qué tiene de bueno?
- El primer margen de maniobra del Sonnet es que puedes utilizarlo para duplicar el examen mostrado en los papeles de DeepMind sin sudar más que Keras ya que DeepMind utilizará el Sonnet ellos mismos.
- Así que, considerando todo, es un aparato de deliberaciones utilitarias adaptable que es un adversario encomiable para TF y PyTorch.
4. Keras
Keras es un modelo de aprendizaje profundo que puede ser tu nuevo compañero más cercano en la remota posibilidad de que tengas una tonelada de información, así como que estés detrás de lo mejor de la clase en la IA: el aprendizaje profundo. Además, es la forma más económica de tratar de utilizar TensorFlow, Theano o CNTK es el significativo armazón del Nivel Keras.
Cosas esenciales que hay que saber:
- Keras es utilizable como una significativa API de nivel en otras famosas bibliotecas de nivel inferior, por ejemplo, Theano y CNTK a pesar de Tensorflow.
- Se fomenta la creación de prototipos en la medida de lo posible. La fabricación de enormes modelos de aprendizaje profundo en Keras se reduce a capacidades de una sola línea. En cualquier caso, este procedimiento hace de Keras una condición menos configurable que las estructuras de bajo nivel.
¿Qué tiene de bueno?
- Keras es el mejor sistema de Aprendizaje Profundo para los individuos que apenas están comenzando. Es óptimo para el aprendizaje y la creación de prototipos de ideas sencillas, para comprender la sustancia misma de los diferentes modelos y procedimientos de su educación.
- Keras es una API deliciosamente compuesta. La útil idea de la API te provoca totalmente y se escapa de tu camino para aplicaciones cada vez más extraordinarias. Keras no cuadra el acceso para bajar los sistemas de nivel.
- Keras aporta un código considerablemente más comprensible y conciso.
- Las API de serialización/deserialización del modelo Keras, las llamadas de retorno y el derrame de información utilizando generadores de Python son increíblemente adultos.
Malo
- Como es una especie de biblioteca de envoltura, no te permitirá cambiar todo su fondo…
- A diferencia de otras bibliotecas de aprendizaje profundo, se queda corto en un modelo preparado pre-calificado para utilizar
- Los errores cometidos no son en todos los casos extremadamente valiosos para la solución de problemas. De vez en cuando es difícil darse cuenta de que el conductor principal sólo con los registros
Por cierto, no puedes pensar en Keras y Tensorflow porque se asientan en varios grados de reflexión.
PS: El flujo tensorial está en el nivel inferior: Este es el lugar donde se encuentran sistemas como MXNet, Theano y PyTorch. Es donde las actividades numéricas como la Matriz-Matriz Generalizada aumentan y las nativas de la Red Neural como las tareas Convolucionales se ejecutan.
Keras está en un nivel más elevado. En este nivel, los nativos de nivel inferior son utilizados para actualizar la deliberación de la Red Neural como Capas y modelos. En su mayor parte, en este nivel, otras API de apoyo como el recambio de modelos y la preparación de modelos se ejecutan de la misma manera.
5. MXNet
MXNet es un dispositivo de aprendizaje de raíz profundamente versátil que puede ser utilizado en un amplio surtido de aparatos. Aunque no tiene todas las características de ser tan ampliamente utilizado hasta ahora en contraste con TensorFlow, el desarrollo de MXNet probablemente será apoyado por convertirse en una empresa Apache.
Cosas esenciales que hay que saber:
- La estructura al principio respalda incontables dialectos (C ++, Python, R, Julia, JavaScript, Scala, Go, e incluso Perl).
- La acentuación fundamental se pone en el hecho de que la estructura es viablemente igual en muchas GPU y numerosas máquinas. Esto, individualmente, ha sido exhibido por su trabajo en Amazon Web Services.
¿Qué tiene de bueno?
- El respaldo de diferentes GPU (con cálculos actualizados y un rápido intercambio de configuraciones)
- Código limpio y energéticamente viable (Python, R, Scala, y varios APIs)
- Capacidad de pensamiento crítico rápido (indispensable, para los novatos de aprendizaje profundo, similar a mí)
Aunque no es tan conocido como TF, MXNet tiene una documentación esencial y es todo menos difícil de usar, con la capacidad de elegir entre estilos de programación básicos y emblemáticos, lo que lo convierte en una posibilidad increíble para los dos tenderfoots y los arquitectos experimentados.
6. Gluon
Gluón es un marco de aprendizaje profundo cada vez más extraordinario que puede ser utilizado para hacer modelos sencillos y avanzados.
Cosas esenciales que hay que saber:
- La explicitación de la empresa Gluon es una interfaz adaptable que desenreda la creación de prototipos, la construcción y la preparación de modelos de aprendizaje profundo sin renunciar a la velocidad de aprendizaje.
- Gluon depende de MXNet y ofrece una API básica que reorganiza la fabricación de modelos de aprendizaje profundo.
- Como PyTorch, los refuerzos del sistema Gluon funcionan con un poderoso diagrama, consolidando esto con MXNet superior. Desde este punto de vista, Gluon se asemeja a una opción muy intrigante en contraste con Keras para el procesamiento apropiado.
¿Qué tiene de bueno?
- En Gluon, puedes caracterizar los sistemas neuronales utilizando el código necesario, claro y sucinto.
- Une el cálculo de la preparación y el modelo del sistema neural, dando así adaptabilidad en el procedimiento de mejora sin renunciar a la ejecución.
- Gluón permite caracterizar modelos de sistemas neuronales que son dinámicos, lo que significa que pueden basarse en la mosca, con cualquier estructura y utilizando cualquier flujo de control local de Python.
7. Swift
En el caso de que te dediques a la programación cuando escuches Swift, presumiblemente considerarás el avance de la aplicación para iOS o macOS. Si estás en el aprendizaje profundo, en ese momento es más probable que te enteres de Swift para Tensorflow (abreviado como S4TF).
Al incorporar legítimamente un lenguaje de programación de gran utilidad, Swift for TensorFlow permite que los cálculos más impresionantes se comuniquen más que nunca.
Cosas esenciales que hay que saber:
- El mejor sistema de autodiferenciación. La programación diferenciada tiene un soporte de primera línea en un lenguaje de programación ampliamente útil. Tome subsidiarias de cualquier capacidad, o haga estructuras de información personalizadas diferenciables fácilmente disponibles.
- APIs de vanguardia. Los nuevos APIs educados por los procedimientos aceptados de hoy, y los encabezamientos de los exámenes de mañana, son más simples de utilizar y aún más notables.
- Ampliando TensorFlow, los APIs de Swift te dan acceso directo a todos los administradores de bajo nivel de TensorFlow.
- Herramientas de primera clase. Expandiendo sobre Jupyter y LLDB, Swift in Colab mejora su eficiencia con herramientas de acomodación, por ejemplo, el ajuste de autocompletado consciente.
¿Qué tiene de bueno?
– Una decisión extraordinaria si los dialectos dinámicos son malos para sus empresas. En la remota posibilidad de que tengas un problema surge cuando te preparas para correr durante un tiempo considerable, y después, tu programa experimenta un error de clasificación, y todo se viene abajo, entra en Swift, un lenguaje compuesto estáticamente. Aquí sabrás delante de cualquier línea de código que se esté ejecutando que los tipos son correctos.
8. Chainer
Hasta el enfoque de DyNet en CMU y PyTorch en Facebook, Chainer era la principal estructura del sistema neural para los gráficos de cálculo dinámico o redes que tomaban en consideración la contribución de la longitud de desplazamiento, un elemento esencial para las asignaciones de PNL.
Cosas esenciales que hay que saber:
- El código está escrito en Python puro en las bibliotecas Numpy y CuPy. Chainer es el sistema principal para utilizar un modelo de ingeniería único (como en PyTorch).
- Chainer batió algunas veces récords en cuanto a la adecuación de la escala al demostrar problemas explicados por los sistemas neurales.
¿Qué tiene de bueno?
- Por sus puntos de referencia, Chainer es prominentemente más rápido que otros sistemas situados en Python, siendo TensorFlow el más lento de un grupo experimental que incorpora MxNet y CNTK.
- Mejor ejecución de la granja de servidores de GPU y GPU que TensorFlow. (TensorFlow es avanzado para el diseño de TPU) Recientemente, Chainer se ha convertido en el mejor del planeta para la ejecución de la granja de servidores de la GPU.
- Gran ayuda japonesa.
- A OOP le gusta el estilo de programación.
9. DL4J
Los individuos que están en una pierna corta con Java o Scala deben centrarse en DL4J (abreviatura de Deep Learning for Java).
Cosas esenciales que hay que saber:
- La preparación de los sistemas neuronales en el DL4J se lleva a cabo en ciclos iguales a través de racimos.
- El procedimiento está reforzado por las estructuras Hadoop y Spark.
- El uso de Java permite utilizar la biblioteca en el patrón de mejora de los proyectos para los gadgets de Android.
¿Qué tiene de bueno?
– Un primer paso en la posibilidad de que estés buscando un marco de aprendizaje profundo decente en Java.
10. ONNX
La empresa ONNX fue concebida a partir del esfuerzo coordinado de Microsoft y Facebook como una búsqueda de una organización abierta para la introducción de modelos de aprendizaje profundo. ONNX desenreda el camino hacia el movimiento de los modelos entre varios métodos para trabajar con el razonamiento computarizado. De esta manera, ONNX permite pensar en las ventajas de los diferentes sistemas de Aprendizaje Profundo.
Cosas esenciales que hay que saber:
– ONNX permite que los modelos se preparen en una estructura y se trasladen a otra para su inducción. Los modelos de ONNX están actualmente reforzados en Caffe2, Microsoft Cognitive Toolkit, MXNet y PyTorch, y hay conectores para algunos otros sistemas y bibliotecas estándar.
¿Qué tiene de bueno?
– ONNX es una noticia edificante para los diseñadores de PyTorch. Sea como fuere, para los individuos que les gusta trabajar con TensorFlow, Keras, etc. puede que tengan que quedarse quietos un rato.
Envolviendo…
Por lo tanto, ya que usted tiene un punto por punto pensado en todos los sistemas de aprendizaje profundo significativos que hay, puede establecerse en una elección educada y elegir el que mejor se adapte a su empresa.
