Logo Keras
dengan populariti besar yang telah diperolehi oleh penggunaan kecerdasan buatan di kawasan yang berbeza, “Pembelajaran Mendalam” (pembelajaran mendalam), juga telah berjaya mendapat perkaitan yang besar, kerana ia digunakan untuk membuat keputusan, pengesanan objek, pengecaman pertuturan, terjemahan bahasa dan untuk banyak lagi tugasan, kerana ia hanya menyebut beberapa yang digunakan.
Pelancong menyebut contoh, pembelajaran yang mendalam Ia digunakan dalam kamera pengawasan hari ini dan dalam kes ini kita bercakap tentang penggunaan komersil, yang mewakili pasaran yang besar dan di atas semua kerana pengawasan video bukan lagi kemewahan, tetapi telah mula menjadi satu keperluan.
Dengan cara ini, terdapat pelbagai jenis projek komersil dan sumber terbuka, baik untuk bidang pengawasan video ini dan untuk kes penggunaan pembelajaran mendalam yang lain.
Tentang Keras
Mengetepikan isu komersial dan menumpukan lebih sedikit pada tajuk artikel, Saya ingin bercakap sedikit tentang Keras, yang merupakan API rangkaian saraf peringkat tinggi yang ditulis dalam Python. Perpustakaan rangkaian saraf ini sumber terbuka direka untuk menyediakan percubaan pantas dengan rangkaian saraf dalam dan boleh berjalan di atas CNTK, TensorFlow dan Theano.
Apa menonjol kepada Keras daripada projek lain yang serupa, adakah itu Ia direka supaya orang ramai dapat mempelajarinya dengan mudah, kerana ia dicipta untuk ringkas, dengan API yang konsisten dan ringkas, ia mengurangkan tindakan yang diperlukan untuk melaksanakan kod biasa dan menerangkan dengan jelas ralat pengguna.
Keras menyediakan antara muka Python dengan tahap abstraksi yang tinggi dan, pada masa yang sama, anda mempunyai pilihan berbilang pelayan untuk tujuan pengiraan. Ini menjadikan Keras lebih perlahan daripada rangka kerja pembelajaran mendalam yang lain, tetapi sangat mesra pemula. kerana ia memberi tumpuan kepada menjadi modular, mudah digunakan dan boleh diperluaskan. Ia tidak mengendalikan pengiraan peringkat rendah; sebaliknya, ia memindahkannya ke perpustakaan lain yang dipanggil Backend.
Satu lagi perkara yang memihak kepada Keras ialah membolehkan pengguna menghasilkan model yang mendalam kedua-duanya iOS, Android, serta di web dan dalam JVM, serta ia mempunyai sokongan berbilang GPU yang kukuh dan sokongan latihan yang diedarkan.
Keras 3
Perlu disebutkan bahawa Keras, Ia kini berada di cawangan 3.xnya, yang dikeluarkan beberapa minggu lalu dan cawangan baharu ini telah pun menerima beberapa penambahbaikan dan pembetulan, yang dengannya kami dapat menyedari bahawa projek itu sedang dalam pembangunan berterusan dan ia mempunyai komuniti aktif yang besar.
Keras telah menjalani ujian beta awam yang sengit selama beberapa bulan, dan keluaran Keras 3 mewakili penulisan semula yang lengkap, meningkatkan keupayaan untuk melatih dan menggunakan model pada skala.
Dalam ciri utama cawangan baharu ini Keras 3, yang berikut menonjol:
Sokongan berbilang bahagian belakang
Tidak dinafikan salah satu kebaharuan hebat Keras 3.0 ialah sokongannya yang tidak pernah berlaku sebelum ini untuk berbilang hujung belakang, kerana ia bertindak sebagai penyambung super dengan keupayaan untuk memilih bahagian belakang secara dinamik yang akan memberikan prestasi terbaik tanpa perlu mengubah apa-apa dalam kod.
Peningkatan prestasi
Satu lagi sorotan utama Keras 3.0 ialah peningkatan prestasi, kerana ia memanfaatkan kompilasi XLA (Accelerated Linear Algebra) untuk mengoptimumkan pengiraan matematik, selain menggandakan pengoptimuman prestasi, menyepadukan teknik seperti latihan ketepatan campuran dan latihan teragih.
Ekosistem diperluas
Dengan kemas kini baharu ini, Keras menerima penambahbaikan sokongan dan boleh dijadikan instantiated sebagai PyTorch, dieksport sebagai model TensorFlow, atau instantiated sebagai fungsi JAX tanpa kewarganegaraan. Ini bermakna anda boleh memanfaatkan kekuatan setiap rangka kerja ekosistem Keras yang diperluaskan tanpa terkunci dalam satu ekosistem.
Perlu dinyatakan bahawa Keras 3 sangat serasi dengan Keras 2, kerana ia melaksanakan API Keras 2, dengan bilangan pengecualian yang terhad, jadi kebanyakan pengguna tidak perlu membuat sebarang perubahan kod untuk mula menjalankan skrip mereka. Keras dalam baharu ini versi.
Akhirnya, Sekiranya anda berminat untuk mengetahui lebih lanjut mengenainya, anda boleh menyemak butiran cawangan baru ini Dalam pautan berikut. Sekiranya anda ingin mengetahui bagaimana untuk melaksanakan Keras? pada sistem anda, anda boleh menyemak kaedah pemasangan dalam pautan ini, manakala untuk begitu sahaja dokumentasi dan kes penggunaan Untuk mengetahui tentangnya, anda boleh melakukannya di pautan ini