Kecerdasan buatan semakin populer sejak 2016 dengan, 20% perusahaan besar menggunakan AI dalam bisnis mereka (laporan McKinsey, 2018). Sesuai laporan yang sama, AI dapat menciptakan nilai substansial di seluruh industri. Di perbankan, misalnya, potensi AI diperkirakan $ 300 miliar, di ritel jumlahnya meroket hingga $ 600 miliar.
Untuk membuka nilai potensial AI, perusahaan harus memilih kerangka kerja pembelajaran mendalam yang tepat. Dalam tutorial ini, Anda akan belajar tentang berbagai perpustakaan yang tersedia untuk melaksanakan tugas pembelajaran yang mendalam. Beberapa perpustakaan telah ada selama bertahun-tahun sementara perpustakaan baru seperti TensorFlow telah terungkap dalam beberapa tahun terakhir.
8 Perpustakaan / Kerangka Pembelajaran Mendalam Terbaik
Dalam daftar ini, kami akan membandingkan framework pembelajaran mendalam teratas. Semuanya open source dan populer di komunitas ilmuwan data. Kami juga akan membandingkan ML populer sebagai penyedia layanan
Obor
Torch adalah pustaka pembelajaran mesin sumber terbuka lama. Ini pertama kali dirilis adalah 15 tahun yang lalu. Ini adalah bahasa pemrograman utama LUA, tetapi memiliki implementasi di C. Membandingkan PyTorch vs TensorFlow, ini mendukung perpustakaan yang luas untuk algoritme pembelajaran mesin, termasuk pembelajaran mendalam. Ini mendukung implementasi CUDA untuk komputasi paralel.
Alat pembelajaran mendalam obor digunakan oleh sebagian besar laboratorium terkemuka seperti Facebook, Google, Twitter, Nvidia, dan sebagainya. Torch memiliki perpustakaan dengan nama Python Pytorch.
Infer.net
Infer.net dikembangkan dan dikelola oleh Microsoft. Infer.net adalah perpustakaan dengan fokus utama pada statistik Bayesian. Infer.net adalah alat visualisasi untuk Pembelajaran Dalam yang dirancang untuk menawarkan algoritme canggih kepada praktisi untuk pemodelan probabilistik. Pustaka berisi alat analitik seperti analisis Bayesian, rantai Markov tersembunyi, pengelompokan.
Keras
Keras adalah kerangka kerja Python untuk pembelajaran mendalam. Ini adalah perpustakaan yang nyaman untuk membangun algoritme pembelajaran mendalam apa pun. Keuntungan Keras adalah menggunakan kode Python yang sama untuk dijalankan di CPU atau GPU. Selain itu, lingkungan pengkodeannya murni dan memungkinkan untuk melatih algoritme canggih untuk visi komputer, antara lain pengenalan teks.
Keras telah dikembangkan oleh François Chollet, seorang peneliti di Google. Keras digunakan di organisasi terkemuka seperti CERN, Yelp, Square atau Google, Netflix, dan Uber.
Theano
Theano adalah pustaka pembelajaran mendalam yang dikembangkan oleh Université de Montréal pada tahun 2007. Membandingkan Theano vs TensorFlow, ia menawarkan komputasi yang cepat dan dapat dijalankan pada CPU dan GPU. Theano telah dikembangkan untuk melatih algoritma jaringan saraf yang dalam.
Microsoft Cognitive Toolkit (CNTK)
Toolkit Microsoft, sebelumnya dikenal sebagai CNTK, adalah pustaka pembelajaran mendalam yang dikembangkan oleh Microsoft. Menurut Microsoft, perpustakaan itu termasuk yang tercepat di pasar. Toolkit Microsoft adalah pustaka sumber terbuka, meskipun Microsoft menggunakannya secara ekstensif untuk produknya seperti Skype, Cortana, Bing, dan Xbox. Toolkit ini tersedia dalam Python dan C ++.
MXNet
MXnet adalah pustaka pembelajaran mendalam baru-baru ini. Ini dapat diakses dengan berbagai bahasa pemrograman termasuk C ++, Julia, Python dan R. MXNet dapat dikonfigurasi untuk bekerja pada CPU dan GPU. MXNet menyertakan arsitektur pembelajaran mendalam yang canggih seperti Jaringan Neural Konvolusional dan Memori Jangka Pendek Panjang. MXNet dibuat untuk bekerja selaras dengan infrastruktur cloud dinamis. Pengguna utama MXNet adalah Amazon
Caffe
Caffe adalah perpustakaan yang dibangun oleh Yangqing Jia saat dia menjadi mahasiswa PhD di Berkeley. Membandingkan Caffe vs TensorFlow, Caffe ditulis dalam C ++ dan dapat melakukan komputasi pada CPU dan GPU. Kegunaan utama Caffe adalah Convolutional Neural Network. Meskipun, Pada 2017, Facebook memperluas Caffe dengan arsitektur pembelajaran yang lebih mendalam, termasuk Jaringan Saraf Tiruan. Caffe digunakan oleh akademisi dan startup tetapi juga beberapa perusahaan besar seperti Yahoo !.
TensorFlow
TensorFlow adalah proyek sumber terbuka Google. TensorFlow adalah library deep learning paling terkenal saat ini. Itu dirilis ke publik pada akhir 2015
TensorFlow dikembangkan di C ++ dan memiliki Python API yang nyaman, meskipun C ++ API juga tersedia. Perusahaan terkemuka seperti Airbus, Google, IBM, dan sebagainya menggunakan TensorFlow untuk menghasilkan algoritme pembelajaran yang mendalam.
TensorFlow Vs Theano Vs Torch Vs Keras Vs infer.net Vs CNTK Vs MXNet Vs Caffe: Perbedaan Utama
| Perpustakaan | Peron | Ditulis dalam | Dukungan Cuda | Eksekusi Paralel | Memiliki model terlatih | RNN | CNN |
|---|---|---|---|---|---|---|---|
| Obor | Linux, MacOS, Windows | Lua | Iya | Iya | Iya | Iya | Iya |
| Infer.Net | Linux, MacOS, Windows | Studio visual | Tidak | Tidak | Tidak | Tidak | Tidak |
| Keras | Linux, MacOS, Windows | Python | Iya | Iya | Iya | Iya | Iya |
| Theano | Lintas platform | Python | Iya | Iya | Iya | Iya | Iya |
| TensorFlow | Linux, MacOS, Windows, Android | C ++, Python, CUDA | Iya | Iya | Iya | Iya | Iya |
| ALAT KOGNITIF MICROSOFT | Linux, Windows, Mac dengan Docker | C ++ | Iya | Iya | Iya | Iya | Iya |
| Caffe | Linux, MacOS, Windows | C ++ | Iya | Iya | Iya | Iya | Iya |
| MXNet | Linux, Windows, MacOs, Android, iOS, Javascript | C ++ | Iya | Iya | Iya | Iya | Iya |
Putusan:
TensorFlow adalah library terbaik dari semuanya karena dibuat agar dapat diakses oleh semua orang. Library Tensorflow menggabungkan API yang berbeda untuk membangun arsitektur deep learning berskala seperti CNN atau RNN. TensorFlow didasarkan pada komputasi grafik, yang memungkinkan developer untuk memvisualisasikan pembangunan jaringan neural dengan Tensorboad. Alat ini berguna untuk men-debug program. Terakhir, Tensorflow dibuat untuk diterapkan dalam skala besar. Ini berjalan pada CPU dan GPU.
Tensorflow menarik popularitas terbesar di GitHub dibandingkan dengan library deep learning lainnya.
Membandingkan Pembelajaran Mesin sebagai Layanan
Berikut adalah 4 DL populer sebagai penyedia layanan
Google Cloud ML
Google menyediakan model terlatih untuk pengembang yang tersedia di Cloud AutoML. Solusi ini ada untuk pengembang tanpa latar belakang yang kuat dalam pembelajaran mesin. Pengembang dapat menggunakan model terlatih Google yang canggih pada data mereka. Ini memungkinkan pengembang mana pun untuk melatih dan mengevaluasi model apa pun hanya dalam beberapa menit.
Google saat ini menyediakan REST API untuk computer vision, pengenalan ucapan, terjemahan, dan NLP.
Dengan menggunakan Google Cloud, Anda dapat melatih kerangka kerja pembelajaran mesin yang dibangun di TensorFlow, Scikit-learn, XGBoost, atau Keras. Pembelajaran mesin Google Cloud akan melatih model di seluruh cloud-nya.
Keuntungan menggunakan komputasi awan Google adalah kesederhanaan untuk menerapkan pembelajaran mesin ke dalam produksi. Tidak perlu menyiapkan container Docker. Selain itu, cloud menangani infrastruktur. Ia tahu cara mengalokasikan sumber daya dengan CPU, GPU, dan TPU. Itu membuat pelatihan lebih cepat dengan komputasi paralel.
AWS SageMaker
Pesaing utama Google Cloud adalah Amazon cloud, AWS. Amazon telah mengembangkan Amazon SageMaker untuk memungkinkan ilmuwan dan pengembang data membangun, melatih, dan memproduksi model pembelajaran mesin apa pun.
SageMaker tersedia di Notebook Jupyter dan menyertakan pustaka pembelajaran mesin yang paling banyak digunakan, TensorFlow, MXNet, Scikit-learn, dan lainnya. Program yang ditulis dengan SageMaker secara otomatis dijalankan di kontainer Docker. Amazon menangani alokasi sumber daya untuk mengoptimalkan pelatihan dan penerapan.
Amazon menyediakan API bagi para pengembang untuk menambahkan kecerdasan pada aplikasi mereka. Dalam beberapa kesempatan, tidak perlu membuat ulang roda dengan membuat model baru dari awal sementara ada model terlatih yang andal di cloud. Amazon menyediakan layanan API untuk computer vision, chatbots percakapan dan layanan bahasa:
Tiga API utama yang tersedia adalah:
- Amazon Rekognition: memberikan pengenalan gambar dan video ke aplikasi
- Amazon Comprehend: Lakukan penambangan teks dan pemrosesan bahasa saraf untuk, misalnya, mengotomatiskan proses pemeriksaan legalitas dokumen keuangan
- Amazon Lex: Tambahkan chatbot ke aplikasi
Studio Pembelajaran Mesin Azure
Mungkin salah satu pendekatan pembelajaran mesin yang paling ramah adalah Azure Machine Learning Studio. Keuntungan signifikan dari solusi ini adalah tidak diperlukan pengetahuan pemrograman sebelumnya.
Microsoft Azure Machine Learning Studio adalah alat kolaboratif seret dan lepas untuk membuat, melatih, mengevaluasi, dan menerapkan solusi pembelajaran mesin. Model ini dapat digunakan secara efisien sebagai layanan web dan digunakan di beberapa aplikasi seperti Excel.
Antarmuka pembelajaran Azure Machine bersifat interaktif, memungkinkan pengguna membuat model hanya dengan menyeret dan melepaskan elemen dengan cepat.
Saat model sudah siap, pengembang dapat menyimpannya dan memasukkannya ke Azure Gallery atau Azure Marketplace.
Pembelajaran Mesin Azure dapat diintegrasikan ke R atau Python paket bawaan khusus mereka.
IBM Watson ML
Watson studio dapat menyederhanakan proyek data dengan proses yang efisien yang memungkinkan penggalian nilai dan wawasan dari data untuk membantu bisnis menjadi lebih pintar dan lebih cepat. Watson studio menghadirkan lingkungan ilmu data dan pembelajaran mesin kolaboratif yang mudah digunakan untuk membangun dan melatih model, menyiapkan dan menganalisis data, dan berbagi wawasan, semuanya di satu tempat. Watson Studio mudah digunakan dengan kode drag-and-drop.
Watson studio mendukung beberapa kerangka kerja paling populer seperti Tensorflow, Keras, Pytorch, Caffe dan dapat menerapkan algoritme pembelajaran mendalam ke GPU terbaru dari Nvidia untuk membantu mempercepat pemodelan.
Putusan:
Menurut kami, solusi cloud Google adalah yang paling direkomendasikan. Solusi cloud Google memberikan harga yang lebih rendah pada AWS setidaknya 30% untuk penyimpanan data dan solusi pembelajaran mesin. Google melakukan pekerjaan luar biasa untuk mendemokratisasi AI. Ini telah mengembangkan bahasa open source, TensorFlow, koneksi gudang data yang dioptimalkan, menyediakan alat yang luar biasa dari visualisasi data, analisis data hingga pembelajaran mesin. Selain itu, Konsol Google ergonomis dan jauh lebih lengkap daripada AWS atau Windows.