2022. 11. 5. 20:11ㆍIT/AI
AI 도구 및 프레임워크 목록
인류의 시작부터 우리는 종으로서 항상 일상적인 작업에서 우리를 돕기 위해 노력해 왔습니다. 석기 도구에서 현대 기계에 이르기까지 일상 생활에 도움이 되는 프로그램 개발을 위한 도구에 이르기까지. 가장 중요한 도구 및 프레임워크는 다음과 같습니다.
사이킷 런
Scikit-learn 은 가장 잘 알려진 ML 라이브러리 중 하나입니다. 이는 많은 관리 및 비지도 학습 계산을 뒷받침합니다. 선례에는 직접 및 계산된 재발, 선택 트리, 번칭, k-implies 등이 포함됩니다.
- Python의 두 가지 필수 라이브러리인 NumPy 및 SciPy를 확장합니다.
- 여기에는 묶음, 재발 및 순서를 포함하여 일반 AI 및 데이터 마이닝 할당에 대한 많은 계산이 포함됩니다. 실제로 정보 변경, 특징 결정 및 앙상블 기술과 같은 작업도 몇 줄로 실행할 수 있습니다.
- ML의 초보에게 Scikit-learn은 점진적으로 복잡한 계산을 실현하기 시작할 때까지 작업하기에 충분한 도구입니다.
텐서플로(Tensorflow)
당신이 인공 지능 의 영역에 있을 때 어떤 유형의 심오한 학습 계산에 대해 알아냈거나 시도했거나 실행했을 가능성이 큽니다. 그것들이 필수적이라고 말하는 것이 정확합니까? 지속적으로 아닙니다. 제대로 했을 때 멋지다고 말하는 것이 정확합니까? 진심으로!
Tensorflow 의 매력적인 점은 Python으로 프로그램을 작성할 때 CPU 또는 GPU에서 정렬하고 계속 실행할 수 있다는 것입니다. 따라서 GPU에서 계속 실행하기 위해 C++ 또는 CUDA 수준에서 작성할 필요가 없습니다.
그것은 당신이 거대한 데이터 세트와 함께 위조 신경 시스템을 신속하게 설정, 훈련 및 보낼 수 있도록 하는 다층 허브 배열을 활용합니다. 이것은 구글이 사진 속의 질문을 인식하거나 음성 인식 애플리케이션에서 구두로 표현된 단어를 이해할 수 있게 해주는 것입니다.
테아노(Theano)
Ano는 Ano 라이브러리와 거의 병렬로 실행되는 비정상적인 상태 신경 시스템 라이브러리인 Keras 위에 훌륭하게 접혀 있습니다. Keras의 기본적으로 유리한 위치는 이것이 Ano 또는 TensorFlow에서 계속 실행될 수 있는 심오한 발견을 위한 중간 정도의 Python 라이브러리라는 것입니다.
- 심오한 학습 모델을 혁신적인 작업에 가능한 한 빠르고 간단하게 구현하기 위해 만들어졌습니다.
- Python 2.7 또는 3.5에서 계속 실행되며 GPU 및 CPU에서 일관되게 실행할 수 있습니다.
Theano가 분리된 이유는 PC의 GPU를 활용한다는 것입니다. 이를 통해 CPU에서만 계속 실행될 때보다 정보 에스컬레이션 횟수를 최대 몇 배까지 빠르게 할 수 있습니다. ano의 속도는 심오한 학습 및 기타 계산적으로 복잡한 작업에 특히 유리합니다.
카페(Caffe)
'카페'는 발음, 속도, 측정된 품질을 최우선으로 하여 만들어진 심오한 학습 구조입니다. Berkeley Vision and Learning Center(BVLC)와 네트워크 기부자들에 의해 만들어졌습니다. Google의 DeepDream은 Caffe Framework에 의존합니다. 이 구조는 Python 인터페이스 가 있는 BSD 인증 C++ 라이브러리입니다 .
MXNet
매우 긴 시퀀스의 순환 네트워크에 매우 유용할 수 있는 'forgetful backprop'을 통해 메모리에 대한 계산 시간을 교환할 수 있습니다.
- 확장성을 염두에 두고 구축되었습니다(다중 GPU 및 다중 기계 교육에 대한 사용이 매우 간편한 지원).
- 고급 언어로 사용자 정의 레이어를 쉽게 작성하는 것과 같은 많은 멋진 기능
- 거의 모든 다른 주요 프레임워크와 달리, 커뮤니티에서 개발한 오픈 소스 프레임워크에 대한 건전한 상황인 주요 기업이 직접 관리하지 않습니다.
- 배포 지원을 더욱 개선하고 새로운 장치 유형의 전체 호스트에서 실행할 수 있는 TVM 지원
케라스( Keras)
Python 방식을 좋아한다면 Keras가 적합합니다. TensorFlow 또는 Theano를 백엔드로 사용하는 신경망용 고급 라이브러리입니다.
실제 문제의 대부분은 다음과 같습니다.
- 문제에 적합한 아키텍처 선택,
- 이미지 인식 문제의 경우 – ImageNet에서 훈련된 가중치 사용,
- 결과를 최적화하기 위해 네트워크를 구성합니다(길고 반복적인 프로세스).
이 모든 것에서 Keras는 보석입니다. 또한 필요한 경우(호환성, 성능 등을 위해) 다른 프레임워크로 쉽게 변환할 수 있는 추상 구조를 제공합니다.
파이토치(PyTorch)
PyTorch 는 Facebook에서 만든 AI 시스템입니다. 해당 코드는 GitHub 에서 액세스할 수 있으며 현재 22,000개 이상의 별이 있습니다. 2017년부터 엄청난 에너지를 끌어모았고, 끊임없는 리셉션 개발을 하고 있다.
CNTK
CNTK를 사용하면 사용자가 피드포워드 DNN, CNN(Convolutional Nets) 및 RNN/LSTM과 같은 인기 있는 모델 유형을 쉽게 구현하고 결합할 수 있습니다. 여러 GPU 및 서버에서 자동 미분 및 병렬화를 통해 확률적 경사 하강법(SGD, 오류 역전파) 학습을 구현합니다. CNTK는 오픈 소스 라이선스에 따라 누구나 사용해 볼 수 있습니다.
자동 머신러닝( AutoML)
위에 나열된 모든 도구와 라이브러리 중에서 Auto ML은 아마도 기계 학습 엔지니어 가 마음대로 사용할 수 있는 도구 모음에 가장 강력하고 최근에 추가된 도구 중 하나일 것입니다 .
서론에서 설명한 것처럼 최적화는 기계 학습 작업의 핵심입니다. 이를 통해 얻는 이점은 수익성이 있지만 최적의 하이퍼파라미터를 결정하는 데 성공하는 것은 쉬운 일이 아닙니다. 이것은 신경망과 같은 블랙박스에서 특히 그렇습니다. 신경망의 깊이가 깊어질수록 중요한 것을 결정하는 것이 점점 더 어려워집니다.
따라서 우리는 소프트웨어가 소프트웨어를 구축하는 데 도움이 되는 새로운 메타 영역으로 들어갑니다. AutoML은 많은 기계 학습 엔지니어가 모델을 최적화하는 데 사용하는 라이브러리입니다.
시간을 절약할 수 있을 뿐만 아니라 머신 러닝 분야에 대한 경험이 많지 않아 스스로 특정 하이퍼파라미터를 변경할 수 있는 직관이나 과거 경험이 부족한 사람에게 매우 유용할 수 있습니다.
OpenNN
완전히 초보자에게 친숙한 것에서 숙련된 개발자를 위한 것으로 점프하는 OpenNN은 고급 분석 무기고를 제공합니다.
데이터 입력을 해석하기 위한 그래프와 테이블을 제공하는 고급 분석을 위한 도구인 Neural Designer가 있습니다.
H20: 오픈 소스 AI 플랫폼
H20은 오픈 소스 딥 러닝 플랫폼입니다. 비즈니스 지향적이며 데이터에서 의사 결정을 내리고 사용자가 통찰력을 얻을 수 있도록 도와주는 인공 지능 도구입니다. 두 가지 오픈 소스 버전이 있습니다. 하나는 표준 H2O이고 다른 하나는 유료 버전 Sparkling Water입니다. 예측 모델링, 위험 및 사기 분석, 보험 분석, 광고 기술, 의료 및 고객 인텔리전스에 사용할 수 있습니다.
구글 머신러닝 키트 (Google ML Kit)
Google의 모바일 개발자용 머신 러닝 베타 SDK인 Google ML Kit는 개발자가 Android 및 IOS 휴대폰에서 개인화된 기능을 구축할 수 있도록 설계되었습니다.
이 키트를 통해 개발자는 기기 또는 클라우드에서 실행되는 앱 기반 API와 함께 기계 학습 기술을 임베드할 수 있습니다. 여기에는 얼굴 및 텍스트 인식, 바코드 스캔, 이미지 라벨링 등과 같은 기능이 포함됩니다.
또한 개발자는 내장 API가 사용 사례에 적합하지 않을 수 있는 경우 자체 TensorFlow Lite 모델을 구축할 수 있습니다.
이것으로 우리는 인공 지능 도구 및 프레임워크 블로그를 마칩니다.
'IT > AI' 카테고리의 다른 글
| TensorFlow 툴킷 계층 구조 (0) | 2022.12.03 |
|---|---|
| 텐서플로 2.0 시작하기: 초보자용 (0) | 2022.12.03 |
| 텐서플로 허브(TensorFlow Hub) 와 전이학습(Transfer Learning) (0) | 2021.05.15 |
| 시각화로 컨볼루션 네트워크 이해 (0) | 2021.05.15 |
| 컨볼루션 신경망(CNN)을 위한 포괄적인 가이드 (0) | 2021.05.06 |