ເຊື່ອມຕໍ່ກັບພວກເຮົາ

ຫໍສະຫມຸດ Python

10 ຫໍສະຫມຸດ Python ທີ່ດີທີ່ສຸດສໍາລັບການຮຽນຮູ້ເລິກ

ການປັບປຸງ on

Python ໄດ້ເພີ່ມຂຶ້ນຢ່າງຕໍ່ເນື່ອງເພື່ອກາຍເປັນພາສາການຂຽນໂປຼແກຼມອັນດັບຫນຶ່ງ. ມີຫຼາຍເຫດຜົນສໍາລັບການນີ້, ລວມທັງປະສິດທິພາບສູງທີ່ສຸດຂອງຕົນເມື່ອປຽບທຽບກັບພາສາຕົ້ນຕໍອື່ນໆ. ມັນຍັງມີຄໍາສັ່ງແລະ syntax ຄ້າຍຄືພາສາອັງກິດ, ເຊິ່ງເຮັດໃຫ້ມັນເປັນທາງເລືອກອັນດັບຫນຶ່ງສໍາລັບ coders ເລີ່ມຕົ້ນ. 

ບາງທີຈຸດຂາຍທີ່ໃຫຍ່ທີ່ສຸດຂອງ Python ແມ່ນຫ້ອງສະຫມຸດ open-source ຈໍານວນຫຼວງຫຼາຍທີ່ຊ່ວຍໃຫ້ພາສາສາມາດນໍາໃຊ້ໄດ້ສໍາລັບທຸກສິ່ງທຸກຢ່າງຈາກວິທະຍາສາດຂໍ້ມູນຈົນເຖິງການຈັດການຂໍ້ມູນ. 

Python ແລະການຮຽນຮູ້ເລິກ

ການຮຽນຮູ້ເລິກແມ່ນສາຂາຍ່ອຍຂອງການຮຽນຮູ້ເຄື່ອງຈັກທີ່ກ່ຽວຂ້ອງກັບເຄືອຂ່າຍ neural ທຽມ, ເຊິ່ງເປັນສູດການຄິດໄລ່ທີ່ໄດ້ຮັບການດົນໃຈໂດຍໂຄງສ້າງຂອງສະຫມອງຂອງມະນຸດ. ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງມີຫຼາຍແອັບພລິເຄຊັນ ແລະໃຊ້ໃນຫຼາຍເທັກໂນໂລຍີ AI ໃນທຸກມື້ນີ້, ເຊັ່ນ: ລົດຂັບລົດເອງ, ເຄື່ອງມືການລວບລວມຂ່າວ, ການປະມວນຜົນພາສາທຳມະຊາດ (NLP), ຜູ້ຊ່ວຍສະເໝືອນ, ການຮັບຮູ້ທາງສາຍຕາ ແລະອື່ນໆອີກ. 

ໃນຊຸມປີມໍ່ໆມານີ້, Python ໄດ້ພິສູດວ່າເປັນເຄື່ອງມືທີ່ບໍ່ຫນ້າເຊື່ອສໍາລັບການຮຽນຮູ້ເລິກເຊິ່ງ. ເນື່ອງຈາກວ່າລະຫັດແມ່ນ concise ແລະສາມາດອ່ານໄດ້, ມັນເຮັດໃຫ້ມັນເປັນຄໍາທີ່ສົມບູນແບບສໍາລັບຄໍາຮ້ອງສະຫມັກການຮຽນຮູ້ເລິກ. syntax ງ່າຍໆຂອງມັນຍັງຊ່ວຍໃຫ້ແອັບພລິເຄຊັນສາມາດພັດທະນາໄດ້ໄວຂຶ້ນເມື່ອປຽບທຽບກັບພາສາການຂຽນໂປຼແກຼມອື່ນໆ. ເຫດຜົນທີ່ສໍາຄັນອີກອັນຫນຶ່ງສໍາລັບການນໍາໃຊ້ Python ສໍາລັບການຮຽນຮູ້ເລິກແມ່ນວ່າພາສາສາມາດໄດ້ຮັບການປະສົມປະສານກັບລະບົບອື່ນໆທີ່ມີລະຫັດໃນພາສາການຂຽນໂປຼແກຼມທີ່ແຕກຕ່າງກັນ. ນີ້ເຮັດໃຫ້ມັນງ່າຍຂຶ້ນໃນການຜະສົມຜະສານກັບໂຄງການ AI ທີ່ຂຽນເປັນພາສາອື່ນ. 

ລອງມາເບິ່ງ 10 ຫ້ອງສະໝຸດ Python ທີ່ດີທີ່ສຸດສຳລັບການຮຽນຮູ້ແບບເລິກເຊິ່ງ: 

1. TensorFlow

TensorFlow ຖືກພິຈາລະນາຢ່າງກວ້າງຂວາງເປັນຫນຶ່ງໃນຫ້ອງສະຫມຸດ Python ທີ່ດີທີ່ສຸດສໍາລັບຄໍາຮ້ອງສະຫມັກການຮຽນຮູ້ເລິກ. ພັດທະນາໂດຍທີມງານ Google Brain, ມັນສະຫນອງເຄື່ອງມືທີ່ມີຄວາມຍືດຫຍຸ່ນ, ຫ້ອງສະຫມຸດ, ແລະຊັບພະຍາກອນຊຸມຊົນທີ່ຫລາກຫລາຍ. ຜູ້ເລີ່ມຕົ້ນແລະຜູ້ຊ່ຽວຊານຄືກັນສາມາດນໍາໃຊ້ TensorFlow ເພື່ອສ້າງຕົວແບບການຮຽນຮູ້ເລິກ, ເຊັ່ນດຽວກັນກັບເຄືອຂ່າຍ neural.

TensorFlow ມີສະຖາປັດຕະຍະກໍາແລະກອບທີ່ມີຄວາມຍືດຫຍຸ່ນ, ເຮັດໃຫ້ມັນສາມາດດໍາເນີນການໃນເວທີການຄິດໄລ່ຕ່າງໆເຊັ່ນ CPU ແລະ GPU. ດ້ວຍວ່າ, ມັນປະຕິບັດໄດ້ດີທີ່ສຸດເມື່ອດໍາເນີນການຢູ່ໃນຫນ່ວຍປະມວນຜົນ tensor (TPU). ຫ້ອງສະຫມຸດ Python ມັກຈະຖືກນໍາໃຊ້ເພື່ອປະຕິບັດການຮຽນຮູ້ເສີມໃນຮູບແບບການຮຽນຮູ້ເລິກ, ແລະທ່ານສາມາດເບິ່ງເຫັນຕົວແບບການຮຽນຮູ້ເຄື່ອງຈັກໂດຍກົງ. 

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ TensorFlow:

  • ສະຖາປັດຕະຍະກໍາແລະກອບທີ່ມີຄວາມຍືດຫຍຸ່ນ.
  • ແລ່ນຢູ່ໃນຫຼາຍໆເວທີການຄິດໄລ່. 
  • ຄວາມສາມາດ abstraction
  • ຄຸ້ມຄອງເຄືອຂ່າຍ neural ເລິກ. 

2. Pytorg

ອີກໜຶ່ງຫ້ອງສະໝຸດ Python ທີ່ນິຍົມກັນທີ່ສຸດສຳລັບການຮຽນຮູ້ແບບເລິກເຊິ່ງແມ່ນ Pytorg ເຊິ່ງເປັນຫ້ອງສະໝຸດແບບເປີດທີ່ສ້າງຂຶ້ນໂດຍທີມວິໄຈ AI ຂອງ Facebook ໃນປີ 2016. ຊື່ຂອງຫໍສະໝຸດແມ່ນມາຈາກ Torch ເຊິ່ງເປັນກອບການຮຽນຮູ້ທີ່ເລິກເຊິ່ງຂຽນໄວ້ໃນພາສາ Lua. ພາສາການຂຽນໂປລແກລມ. 

PyTorch ຊ່ວຍໃຫ້ທ່ານສາມາດປະຕິບັດວຽກງານຫຼາຍຢ່າງ, ແລະມັນເປັນປະໂຫຍດໂດຍສະເພາະສໍາລັບຄໍາຮ້ອງສະຫມັກການຮຽນຮູ້ເລິກເຊັ່ນ NLP ແລະວິໄສທັດຄອມພິວເຕີ. 

ບາງດ້ານທີ່ດີທີ່ສຸດຂອງ PyTorch ປະກອບມີການປະຕິບັດຄວາມໄວສູງຂອງມັນ, ເຊິ່ງມັນສາມາດບັນລຸໄດ້ເຖິງແມ່ນວ່າຈະຈັດການກາຟທີ່ຫນັກຫນ່ວງ. ມັນຍັງເປັນຫ້ອງສະຫມຸດທີ່ມີຄວາມຍືດຫຍຸ່ນ, ສາມາດດໍາເນີນການກ່ຽວກັບໂປເຊດເຊີທີ່ງ່າຍດາຍຫຼື CPUs ແລະ GPUs. PyTorch ມີ APIs ທີ່ມີປະສິດທິພາບທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດຂະຫຍາຍຫ້ອງສະຫມຸດໄດ້, ເຊັ່ນດຽວກັນກັບຊຸດເຄື່ອງມືພາສາທໍາມະຊາດ. 

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ PyTorch:

  • ການແຈກຢາຍທາງສະຖິຕິແລະການດໍາເນີນງານ
  • ຄວບຄຸມຊຸດຂໍ້ມູນ
  • ການພັດທະນາຮູບແບບການຮຽນຮູ້ເລິກ
  • ມີຄວາມຍືດຫຍຸ່ນສູງ

3. ຕົວເລກ

ຫນຶ່ງໃນຫ້ອງສະຫມຸດ Python ທີ່ມີຊື່ສຽງອື່ນໆ, NumPy ສາມາດຖືກນໍາໃຊ້ຢ່າງບໍ່ຢຸດຢັ້ງສໍາລັບການປະມວນຜົນອະເລຫຼາຍມິຕິລະດັບຂະຫນາດໃຫຍ່ແລະການປຸງແຕ່ງ matrix. ມັນອີງໃສ່ຊຸດໃຫຍ່ຂອງຫນ້າທີ່ຄະນິດສາດລະດັບສູງ, ເຊິ່ງເຮັດໃຫ້ມັນເປັນປະໂຫຍດໂດຍສະເພາະສໍາລັບການຄິດໄລ່ທາງວິທະຍາສາດພື້ນຖານທີ່ມີປະສິດທິພາບໃນການຮຽນຮູ້ເລິກ. 

NumPy arrays ຕ້ອງການພື້ນທີ່ຈັດເກັບຂໍ້ມູນໜ້ອຍກວ່າລາຍຊື່ Python ອື່ນໆ, ແລະພວກມັນໄວກວ່າ ແລະສະດວກກວ່າທີ່ຈະໃຊ້. ຂໍ້​ມູນ​ສາ​ມາດ​ໄດ້​ຮັບ​ການ​ຈັດ​ການ​ໃນ matrix​, transposed​, ແລະ reshaped ກັບ​ຫ້ອງ​ສະ​ຫມຸດ​. NumPy ເປັນທາງເລືອກທີ່ດີທີ່ຈະເພີ່ມປະສິດທິພາບຂອງແບບຈໍາລອງການຮຽນຮູ້ທີ່ເລິກເຊິ່ງໂດຍບໍ່ມີການເຮັດວຽກທີ່ສັບສົນຫຼາຍເກີນໄປ. 

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ NumPy: 

  • ການຫມູນໃຊ້ຮູບຮ່າງ
  • ວັດຖຸອະເຣ N-ມິຕິລະດັບປະສິດທິພາບສູງ
  • ການທໍາຄວາມສະອາດ / ການຈັດການຂໍ້ມູນ
  • ການດໍາເນີນງານທາງສະຖິຕິ ແລະພຶດຊະຄະນິດເສັ້ນຊື່

4. Scikit- ຮຽນຮູ້

Scikit-Learn ເດີມແມ່ນສ່ວນຂະຫຍາຍຂອງພາກສ່ວນທີສາມໃຫ້ກັບຫ້ອງສະໝຸດ SciPy, ແຕ່ດຽວນີ້ມັນເປັນຫ້ອງສະໝຸດ Python ທີ່ຕັ້ງຢູ່ໃນ Github. Scikit-Learn ປະກອບມີ DBSCAN, gradient boosting, support vector machines, and random forests within the classification, regression, and clustering method.  

ຫນຶ່ງໃນລັກສະນະທີ່ຍິ່ງໃຫຍ່ທີ່ສຸດຂອງ Scikit-Learn ແມ່ນວ່າມັນສາມາດພົວພັນກັນໄດ້ງ່າຍກັບ stacks SciPy ອື່ນໆ. ມັນຍັງເປັນມິດກັບຜູ້ໃຊ້ແລະສອດຄ່ອງ, ເຮັດໃຫ້ມັນງ່າຍຕໍ່ການແບ່ງປັນແລະນໍາໃຊ້ຂໍ້ມູນ. 

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ Scikit-learn:

  • ການຈັດປະເພດຂໍ້ມູນ ແລະການສ້າງແບບຈໍາລອງ
  • ຂັ້ນຕອນການຮຽນຮູ້ເຄື່ອງຈັກຈາກຈຸດຈົບ
  • ການປະມວນຜົນຂໍ້ມູນລ່ວງໜ້າ
  • ການຄັດເລືອກຕົວແບບ

5. SciPy

ນັ້ນນໍາພວກເຮົາໄປຫາ Scipy, ເຊິ່ງເປັນຫ້ອງສະຫມຸດຟຣີແລະເປີດແຫຼ່ງໂດຍອີງໃສ່ Numpy. SciPy ແມ່ນຫນຶ່ງໃນຫ້ອງສະຫມຸດ Python ທີ່ດີທີ່ສຸດຢູ່ທີ່ນັ້ນຍ້ອນຄວາມສາມາດໃນການປະຕິບັດການຄິດໄລ່ທາງວິທະຍາສາດແລະດ້ານວິຊາການໃນຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່. ມັນມາພ້ອມກັບໂມດູນທີ່ຝັງໄວ້ສໍາລັບການເພີ່ມປະສິດທິພາບຂອງອາເຣ ແລະພຶດຊະຄະນິດເສັ້ນຊື່. 

ພາສາການຂຽນໂປລແກລມປະກອບມີຫນ້າທີ່ທັງຫມົດຂອງ NumPy, ແຕ່ມັນປ່ຽນໃຫ້ເຂົາເຈົ້າເປັນເຄື່ອງມືທາງວິທະຍາສາດທີ່ເປັນມິດກັບຜູ້ໃຊ້. ມັນມັກຈະຖືກນໍາໃຊ້ສໍາລັບການຫມູນໃຊ້ຮູບພາບແລະສະຫນອງລັກສະນະການປຸງແຕ່ງພື້ນຖານສໍາລັບຫນ້າທີ່ຄະນິດສາດໃນລະດັບສູງ, ບໍ່ແມ່ນວິທະຍາສາດ. 

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ SciPy:

  • ໃຊ້ງ່າຍ
  • ການເບິ່ງເຫັນຂໍ້ມູນ ແລະການຈັດການ
  • ການວິເຄາະທາງວິທະຍາສາດ ແລະດ້ານວິຊາການ
  • ຄິດໄລ່ຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່

6. Pandas

ຫນຶ່ງໃນຫ້ອງສະຫມຸດ Python ເປີດນໍາໃຊ້ຕົ້ນຕໍໃນວິທະຍາສາດຂໍ້ມູນແລະວິຊາການຮຽນຮູ້ເລິກແມ່ນ Pandas. ຫ້ອງສະຫມຸດສະຫນອງເຄື່ອງມືການຈັດການຂໍ້ມູນແລະການວິເຄາະ, ເຊິ່ງຖືກນໍາໃຊ້ສໍາລັບການວິເຄາະຂໍ້ມູນ. ຫ້ອງສະຫມຸດແມ່ນອີງໃສ່ໂຄງສ້າງຂໍ້ມູນທີ່ມີປະສິດທິພາບຂອງມັນເພື່ອຈັດການຕາຕະລາງຕົວເລກແລະການວິເຄາະຊຸດເວລາ. 

ຫ້ອງສະຫມຸດ Pandas ສະເຫນີວິທີທີ່ໄວແລະມີປະສິດທິພາບໃນການຄຸ້ມຄອງແລະຂຸດຄົ້ນຂໍ້ມູນໂດຍການສະຫນອງ Series ແລະ DataFrames, ເຊິ່ງເປັນຕົວແທນຂອງຂໍ້ມູນຢ່າງມີປະສິດທິພາບໃນຂະນະທີ່ຍັງຈັດການມັນດ້ວຍວິທີຕ່າງໆ. 

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍ Pandas:

  • ດັດສະນີຂໍ້ມູນ
  • ການຈັດຮຽງຂໍ້ມູນ
  • ການ​ເຊື່ອມ​ໂຍງ / ການ​ເຂົ້າ​ຮ່ວມ​ຂອງ​ຊຸດ​ຂໍ້​ມູນ​
  • ການຈັດການຂໍ້ມູນ ແລະການວິເຄາະ

7. Microsoft CNTK

ຫ້ອງສະຫມຸດ Python ອື່ນສໍາລັບຄໍາຮ້ອງສະຫມັກການຮຽນຮູ້ເລິກແມ່ນ Microsoft CNTK (Cognitive Toolkit), ເຊິ່ງໃນເມື່ອກ່ອນເອີ້ນວ່າ Computational Network ToolKit. ຫ້ອງສະຫມຸດການຮຽນຮູ້ເລິກແຫຼ່ງເປີດຖືກນໍາໃຊ້ເພື່ອປະຕິບັດວຽກງານການຮຽນຮູ້ເລິກແຈກຢາຍແລະການຮຽນຮູ້ເຄື່ອງຈັກ. 

CNTK ຊ່ວຍໃຫ້ທ່ານສາມາດລວມຕົວແບບຄາດຄະເນເຊັ່ນເຄືອຂ່າຍ neural convolutional (CNNs), feed-forward deep neural networks (DNNs), ແລະ recurrent neural networks (RNNs), ກັບກອບ CNTK. ອັນນີ້ເຮັດໃຫ້ການປະຕິບັດວຽກງານການຮຽນຮູ້ເລິກລັບຂັ້ນຕົ້ນຫາປາຍຢ່າງມີປະສິດທິພາບ. 

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ CNTK: 

  • ແຫຼ່ງເປີດ
  • ປະຕິບັດ​ວຽກ​ງານ​ການ​ຮຽນ​ຮູ້​ຢ່າງ​ເລິກ​ເຊິ່ງ
  • ສົມທົບຮູບແບບການຄາດເດົາກັບກອບ CNTK
  • ວຽກງານການຮຽນຮູ້ເລິກເຖິງຈຸດຈົບ

8. Keras

Kears ແມ່ນຫ້ອງສະຫມຸດ Python open-source ທີ່ມີຊື່ສຽງອີກອັນຫນຶ່ງທີ່ໃຊ້ສໍາລັບວຽກງານການຮຽນຮູ້ເລິກ, ອະນຸຍາດໃຫ້ມີການທົດສອບເຄືອຂ່າຍ neural ເລິກຢ່າງໄວວາ. Keras ໃຫ້ເຈົ້າມີເຄື່ອງມືທີ່ຈໍາເປັນເພື່ອສ້າງແບບຈໍາລອງ, ສ້າງຮູບພາບ, ແລະວິເຄາະຊຸດຂໍ້ມູນ. ນອກຈາກນັ້ນ, ມັນຍັງປະກອບມີຊຸດຂໍ້ມູນ prelabeled ທີ່ສາມາດນໍາເຂົ້າແລະໂຫລດໂດຍກົງ. 

ຫໍສະໝຸດ Keras ມັກຈະເປັນທີ່ຕ້ອງການເນື່ອງຈາກມັນເປັນແບບໂມດູລາ, ສາມາດຂະຫຍາຍໄດ້, ແລະມີຄວາມຍືດຫຍຸ່ນ. ນີ້ເຮັດໃຫ້ມັນເປັນທາງເລືອກທີ່ເປັນມິດກັບຜູ້ໃຊ້ສໍາລັບຜູ້ເລີ່ມຕົ້ນ. ມັນຍັງສາມາດປະສົມປະສານກັບຈຸດປະສົງ, ຊັ້ນ, ຕົວເພີ່ມປະສິດທິພາບ, ແລະຟັງຊັນການເປີດໃຊ້ງານ. Keras ເຮັດວຽກຢູ່ໃນສະພາບແວດລ້ອມຕ່າງໆ ແລະສາມາດແລ່ນໃນ CPU ແລະ GPUs. ມັນຍັງສະຫນອງຫນຶ່ງໃນຂອບເຂດທີ່ກວ້າງທີ່ສຸດສໍາລັບປະເພດຂໍ້ມູນ.

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ Keras: 

  • ການພັດທະນາຊັ້ນປະສາດ
  • ການລວມຂໍ້ມູນ
  • ສ້າງແບບຈໍາລອງການຮຽນຮູ້ເລິກ ແລະການຮຽນຮູ້ເຄື່ອງຈັກ
  • ການເປີດໃຊ້ງານແລະຫນ້າທີ່ຄ່າໃຊ້ຈ່າຍ

9. ເທອາໂນ

ໃກ້ຈະສິ້ນສຸດບັນຊີລາຍຊື່ຂອງພວກເຮົາແມ່ນ Theano, ຫໍສະຫມຸດຄອມພິວເຕີ້ Python ທີ່ເປັນຕົວເລກທີ່ພັດທະນາໂດຍສະເພາະສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກແລະຫ້ອງສະຫມຸດເລິກ. ດ້ວຍ​ເຄື່ອງ​ມື​ນີ້​, ທ່ານ​ຈະ​ບັນ​ລຸ​ຄໍາ​ນິ​ຍາມ​ປະ​ສິດ​ທິ​ພາບ​, ການ​ປັບ​ປຸງ​, ແລະ​ການ​ປະ​ເມີນ​ຜົນ​ຂອງ​ການ​ສະ​ແດງ​ອອກ​ທາງ​ຄະ​ນິດ​ສາດ​ແລະ​ການ​ຄິດ​ໄລ່​ມາ​ຕຣິກ​ເບື້ອງ​. ທັງຫມົດນີ້ເຮັດໃຫ້ Theano ຖືກນໍາໃຊ້ສໍາລັບການຈ້າງງານຂອງ arrays ມິຕິເພື່ອສ້າງຕົວແບບການຮຽນຮູ້ເລິກ. 

Theano ຖືກໃຊ້ໂດຍນັກພັດທະນາແລະນັກຂຽນໂປລແກລມການຮຽນຮູ້ເລິກຫຼາຍຍ້ອນມັນເປັນຫ້ອງສະຫມຸດທີ່ມີຄວາມສະເພາະສູງ. ມັນສາມາດຖືກນໍາໃຊ້ກັບຫນ່ວຍງານປະມວນຜົນກາຟິກ (GPU) ແທນທີ່ຈະເປັນຫນ່ວຍປະມວນຜົນກາງ (CPU).

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ Theano:

  • ການກວດສອບຄວາມຖືກຕ້ອງໃນຕົວແລະເຄື່ອງມືການທົດສອບຫນ່ວຍງານ
  • ການຄິດໄລ່ທາງຄະນິດສາດທີ່ມີປະສິດທິພາບສູງ
  • ການ​ປະ​ເມີນ​ຜົນ​ໄວ​ແລະ​ຄວາມ​ຫມັ້ນ​ຄົງ​
  • ການ​ຄິດ​ໄລ່​ຂໍ້​ມູນ​ຫຼາຍ​

10​. MX ສຸດທິ

ການປິດບັນຊີລາຍຊື່ຂອງພວກເຮົາຂອງ 10 ຫ້ອງສະຫມຸດ Python ທີ່ດີທີ່ສຸດສໍາລັບການຮຽນຮູ້ເລິກແມ່ນ MXNet, ເຊິ່ງເປັນກອບການຮຽນຮູ້ເລິກເປີດແຫຼ່ງທີ່ສາມາດຂະຫຍາຍໄດ້ສູງ. MXNet ໄດ້ຖືກອອກແບບເພື່ອຝຶກອົບຮົມ ແລະນໍາໃຊ້ເຄືອຂ່າຍ neural ເລິກ, ແລະມັນສາມາດຝຶກອົບຮົມແບບຈໍາລອງໄດ້ໄວທີ່ສຸດ. 

MXNet ຮອງຮັບຫຼາຍພາສາການຂຽນໂປຼແກຼມ, ເຊັ່ນ: Python, Julia, C, C++, ແລະອື່ນໆ. ຫນຶ່ງໃນລັກສະນະທີ່ດີທີ່ສຸດຂອງ MXNet ແມ່ນວ່າມັນສະຫນອງຄວາມໄວການຄໍານວນທີ່ໄວຢ່າງບໍ່ຫນ້າເຊື່ອແລະການນໍາໃຊ້ຊັບພະຍາກອນໃນ GPU. 

ນີ້ແມ່ນບາງລັກສະນະຕົ້ນຕໍຂອງ MXNet:

  • ສາມາດຂະຫຍາຍໄດ້ສູງ
  • ແຫຼ່ງເປີດ
  • ຝຶກອົບຮົມແລະນໍາໃຊ້ເຄືອຂ່າຍ neural ການຮຽນຮູ້ເລິກ
  • ແບບລົດໄຟໄວ
  • ຄວາມໄວການຄິດໄລ່ໄວ

Alex McFarland ເປັນນັກຂ່າວ AI ແລະນັກຂຽນທີ່ຄົ້ນຫາການພັດທະນາຫລ້າສຸດໃນປັນຍາປະດິດ. ລາວໄດ້ຮ່ວມມືກັບ AI startups ແລະສິ່ງພິມຕ່າງໆໃນທົ່ວໂລກ.