-
- Tổng tiền thanh toán:
Các công cụ mã nguồn mở hàng đầu cho Deep Learning
Thiết lập sự thành công cho các đội phân tích bằng cách trang bị cho họ với các thư viện mã nguồn mở chạy trên một nền tảng mã nguồn mở. Điều này sẽ chứng minh trong tương lai sẽ chống lại sự phụ thuộc vào bất kỳ công cụ AI hoặc nhà cung cấp đám mây nào. Nhưng làm như vậy có nghĩa là theo kịp sự phát triển nhanh chóng, vì vậy doanh nghiệp của bạn có thể nhanh chóng áp dụng công nghệ đầy hứa hẹn khi nó xuất hiện.
Ở đây, một bản tóm tắt đơn giản về các công cụ nguồn mở cho học sâu. Mạng lưới có ba loại nút. Công cụ học sâu có màu xanh lam. Các ngôn ngữ được sử dụng để phát triển các công cụ đó có màu hồng. Các APIs ( Applications Programming Interface) mà các nhà khoa học dữ liệu tận dụng khi sử dụng các công cụ đó có màu xanh lá cây.
Ngôn ngữ lập trình → Công cụ học sâu → APIs
Các cạnh được tô màu dựa trên nút nguồn của chúng. Tất cả các cạnh màu hồng có cùng chiều rộng mặc định. Độ rộng cạnh màu xanh lam tương ứng với các ngôi sao GitHub (thước đo mức độ phổ biến) cho hình thức công cụ học sâu mà cạnh màu xanh bắt nguồn. Kích thước của mỗi nút và kích thước phông chữ của nhãn tương ứng với mức độ nút (số lượng kết nối đến nút đó).
Một mạng lưới các công cụ học sâu mã nguồn mở
Bạn có thể thấy rằng C ++ cho thấy sự độc đáo để tạo ra các công cụ học sâu mạnh mẽ. Nó cũng chỉ ra một điều rõ ràng rằng một khi một công cụ trở nên phổ biến, nó sẽ sinh ra nhiều thứ khác. PyTorch và Tensor Flow là hai ví dụ tốt. Biểu đồ cũng cho thấy công việc mở rộng đã tích hợp API với MXNet và CNTK.
Nhưng khi nói đến API, mọi con đường đều dẫn đến “Python – API” được lựa chọn rõ ràng cho các nhà phát triển công cụ học sâu. Mong đợi nhiều công cụ hơn được tạo ra từ TensorFlow với API Python. Các công cụ này sẽ làm những gì Ludwig, minimaxir và Fast.ai (con đẻ của PyTorch) đã làm: Thực hiện các nghiên cứu tốt nhất và đóng gói chúng trong các API mới để cho phép các nhà khoa học dữ liệu tăng tốc nghiên cứu mô hình.
Dưới đây là các công cụ danh sách đầy đủ được hiển thị trong biểu đồ, được sắp xếp theo GitHub.
Danh sách các công cụ học tập sâu nguồn mở phổ biến.
| Tên API / GitHubLink | Miêu tả | GitHub |
| TensorFlow | TensorFlow là một nền tảng nguồn mở để học máy. Nó có một hệ sinh thái toàn diện, linh hoạt gồm các công cụ, thư viện và tài nguyên cộng đồng cho phép các nhà nghiên cứu thúc đẩy công nghệ tiên tiến trong ML và các nhà phát triển dễ dàng xây dựng và triển khai các ứng dụng hỗ trợ ML. TensorFlow bao gồm việc triển khai API Keras (trong mô-đun tf.keras) với các cải tiến dành riêng cho TensorFlow. | 125,536 |
| Keras | Keras là một API mạng cấp cao, được viết bằng Python và có khả năng chạy trên đầu trang của TensorFlow, CNTK hoặc Theano. Nó được phát triển với trọng tâm là cho phép thử nghiệm nhanh. Có thể đi từ ý tưởng đến kết quả với độ trễ ít nhất có thể là chìa khóa để thực hiện nghiên cứu tốt. | 40.158 |
| Caffe | Caffe là một khung học tập sâu được thực hiện với sự thể hiện, tốc độ và tính đơn thể trong tâm trí. Nó được phát triển bởi Berkeley AI Research (BAIR) / Trung tâm học tập và tầm nhìn Berkeley (BVLC) và những người đóng góp cho cộng đồng. Caffe tách biệt với các khuôn khổ học sâu khác thông qua mô đun của nó và thực tế là nó được thiết kế cho quy mô. Nó được mô tả như là một trò chơi un-framework khác do tính linh hoạt và tính đơn thể của nó. | 27.804 |
| PyTorch | Tensors và mạng lưới thần kinh động trong Python với khả năng tăng tốc GPU mạnh mẽ. Bên cạnh khả năng tăng tốc GPU và sử dụng hiệu quả bộ nhớ, trình điều khiển chính đằng sau sự phổ biến của PyTorch là việc sử dụng các biểu đồ tính toán động. | 26.913 |
| MXNet | Dung lượng nhẹ, di động, phân bố linh hoạt / học sâu linh hoạt cho Python, R, Julia, Scala, Go, Javascript và hơn thế nữa. | 16.688 |
| CNTK | Bộ công cụ nhận thức Microsoft (CNTK) là một bộ công cụ học sâu thống nhất mô tả các mạng thần kinh là một chuỗi các bước tính toán thông qua biểu đồ có hướng. | 16.009 |
| Fast.ai | Thư viện fast.ai đơn giản hóa việc đào tạo mạng lưới nhanh và chính xác. Thư viện dựa trên nghiên cứu về các thực tiễn tốt nhất về học sâu được thực hiện tại fast.ai, và bao gồm cả ra khỏi hộp hỗ trợ cho các mô hình tầm nhìn, văn bản, dạng bảng và collab (lọc cộng tác). | 13.121 |
| Deeplearning4j | Eclipse Deeplearning4j, được phân biệt với các khung công tác khác trong các ngôn ngữ, ý định và tích hợp API của nó. DL4J là một khung công tác học tập phân tán, tập trung vào ngành, được hỗ trợ thương mại, dựa trên JVM, giải quyết các vấn đề liên quan đến lượng dữ liệu khổng lồ trong một khoảng thời gian hợp lý. Nó tích hợp với Kafka, Hadoop và Spark bằng cách sử dụng số lượng GPU hoặc CPU tùy ý. | 10.626 |
| Theano | Theano là một thư viện Python cho phép bạn xác định, tối ưu hóa và đánh giá các biểu thức toán học liên quan đến mảng đa chiều một cách hiệu quả. Nó có thể sử dụng GPU và thực hiện phân biệt biểu tượng hiệu quả. | 8,739 |
| PaddlePbag | PaddlePbag (PArallel Distribut Deep LEarning) là một nền tảng học sâu dễ sử dụng, hiệu quả, linh hoạt và có thể mở rộng, ban đầu được phát triển bởi các nhà khoa học và kỹ sư của Baidu với mục đích áp dụng học sâu vào nhiều sản phẩm tại Baidu. | 8.440 |
| Torch | Torch là một khung tính toán khoa học với sự hỗ trợ rộng rãi cho các thuật toán học máy đặt GPU lên hàng đầu. Nó rất dễ sử dụng và hiệu quả, nhờ ngôn ngữ lập trình dễ dàng và nhanh chóng, LuaJIT và triển khai C / CUDA cơ bản. | 8.260 |
| Sonnet | Sonnet là một thư viện được xây dựng trên đỉnh của TensorFlow để xây dựng các mạng lưới thần kinh phức tạp. | 7,477 |
| Dlib | Dlib là bộ công cụ C ++ hiện đại chứa các thuật toán và công cụ học máy để tạo phần mềm phức tạp trong C ++ để giải quyết các vấn đề trong thế giới thực. | 7.012 |
| Chainer | Chainer là một khung học sâu dựa trên Python nhằm mục đích linh hoạt. Nó cung cấp các API phân biệt tự động dựa trên cách tiếp cận xác định (hay còn gọi là đồ thị tính toán động) cũng như các API cấp cao hướng đối tượng để xây dựng và huấn luyện các mạng thần kinh. | 4,706 |
| Ludwig | Ludwig là một hộp công cụ được xây dựng trên đỉnh của TensorFlow, cho phép đào tạo và kiểm tra các mô hình học sâu mà không cần phải viết mã. Tất cả những gì bạn cần cung cấp là một tệp CSV chứa dữ liệu của bạn, danh sách các cột sẽ sử dụng làm đầu vào và danh sách các cột sẽ sử dụng làm đầu ra, Ludwig sẽ làm phần còn lại. | 4.353 |
| DSSTNE | DSSTNE (phát âm là Dest Destiny) là một thư viện phần mềm nguồn mở để đào tạo và triển khai các mô hình đề xuất với đầu vào thưa thớt, các lớp ẩn được kết nối đầy đủ và đầu ra thưa thớt. | 4.316 |
| BigDL | BigDL là một thư viện học tập sâu phân tán cho Apache Spark; với BigDL, người dùng có thể viết các ứng dụng học sâu của họ dưới dạng các chương trình Spark tiêu chuẩn, có thể chạy trực tiếp trên các cụm Spark hoặc Hadoop hiện có. | 2209 |
| DyNet | DyNet là một thư viện mạng thần kinh được phát triển bởi Đại học Carnegie Mellon và nhiều người khác. Nó được viết bằng C ++ (với các ràng buộc trong Python) và được thiết kế để hoạt động hiệu quả khi chạy trên CPU hoặc GPU và hoạt động tốt với các mạng có cấu trúc động thay đổi cho mọi trường hợp đào tạo. | 2748 |
| Glonon | Đặc tả API của Glamon là một nỗ lực để cải thiện tốc độ, tính linh hoạt và khả năng tiếp cận của công nghệ học sâu cho tất cả các nhà phát triển, bất kể khuôn khổ học tập sâu của họ là gì. | 2288 |
| minimaxir | minimaxir cung cấp giao diện xác định mã/ mô hình bằng 0 để có được một mô hình chuyển đổi dữ liệu và mô hình được tối ưu hóa trong nhiều khung ML/ DL phổ biến, với các phụ thuộc Python tối thiểu (pandas + scikit-learn + khung lựa chọn của bạn). | 1309 |
| Deeplearning.scala | DeepLearning.scala là một thư viện đơn giản để tạo các mạng thần kinh phức tạp từ các cấu trúc lập trình hướng đối tượng và chức năng. | 677 |
| SparkFlow | Đây là một triển khai của Tensorflow trên Spark. Mục tiêu của thư viện này là cung cấp một giao diện đơn giản, dễ hiểu khi sử dụng Tensorflow trên Spark. Với SparkFlow, bạn có thể dễ dàng tích hợp mô hình học sâu của mình với ML Spark Pipeline. | 220 |
Cuộc cách mạng AI ở đây. Các tổ chức có thể cưỡi sóng – hoặc bị nghiền nát trong sóng.
Bắt đầu bằng cách nâng cao đội ngũ phân tích của bạn và tăng cường nó với một chuyên gia học sâu. Các nhà lãnh đạo phải biết những trường hợp sử dụng nào trong ngành của họ đang được biến đổi bằng cách học sâu. Cuối cùng, áp dụng một mã nguồn mở, tiếp cận nền tảng mở đối với khoa học dữ liệu sẽ giúp bạn điều hướng cuộc hành trình AI của bạn.