ເຊື່ອມຕໍ່ກັບພວກເຮົາ

ຫໍສະຫມຸດ Python

10 ຫ້ອງສະຫມຸດປະມວນຜົນຮູບພາບທີ່ດີທີ່ສຸດໃນ Python

ການປັບປຸງ on

ຂໍ້ມູນແມ່ນຊັບພະຍາກອນທີ່ມີຄຸນຄ່າທີ່ສຸດທີ່ທຸລະກິດມີຢູ່ໃນຍຸກດິຈິຕອນຂອງມື້ນີ້, ແລະສ່ວນໃຫຍ່ຂອງຂໍ້ມູນນີ້ແມ່ນປະກອບດ້ວຍຮູບພາບ. ນັກວິທະຍາສາດຂໍ້ມູນສາມາດປະມວນຜົນຮູບພາບເຫຼົ່ານີ້ ແລະໃຫ້ມັນເຂົ້າໄປໃນແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ (ML) ເພື່ອສ້າງຄວາມເຂົ້າໃຈເລິກເຊິ່ງສໍາລັບທຸລະກິດ. 

ການປຸງແຕ່ງຮູບພາບແມ່ນຂະບວນການປ່ຽນຮູບພາບເຂົ້າໄປໃນຮູບແບບດິຈິຕອນກ່ອນທີ່ຈະດໍາເນີນການພິເສດກ່ຽວກັບພວກມັນ, ເຊິ່ງເຮັດໃຫ້ຂໍ້ມູນທີ່ມີຄຸນຄ່າ. 

ມີບາງປະເພດຂອງການປະມວນຜົນຮູບພາບຕົ້ນຕໍ: 

  • ການເບິ່ງເຫັນ: ກວດພົບວັດຖຸທີ່ບໍ່ເຫັນໃນຮູບ
  • ການຮັບຮູ້: ກວດພົບວັດຖຸທີ່ມີຢູ່ໃນຮູບ
  • ການ​ເຮັດ​ໃຫ້​ແຫຼມ​ແລະ​ການ​ຟື້ນ​ຟູ​: ຮູບພາບຕົ້ນສະບັບໄດ້ຮັບການປັບປຸງ
  • ການຮັບຮູ້ຮູບແບບ: ຮູບແບບໃນຮູບພາບແມ່ນການວັດແທກ
  • ດຶງຂໍ້ມູນ: ຊອກຫາຮູບພາບທີ່ຄ້າຍຄືກັບຕົ້ນສະບັບໂດຍການຄົ້ນຫາຖານຂໍ້ມູນຂະຫນາດໃຫຍ່

ເມື່ອທຸລະກິດຕັດສິນໃຈນໍາໃຊ້ການປຸງແຕ່ງຮູບພາບ, ມີຄໍາຮ້ອງສະຫມັກທີ່ມີທ່າແຮງຫຼາຍ. ຕົວຢ່າງ, ການປຸງແຕ່ງຮູບພາບມັກຈະຖືກນໍາໃຊ້ໃນການຄົ້ນຄວ້າທາງການແພດແລະເພື່ອພັດທະນາແຜນການປິ່ນປົວທີ່ຖືກຕ້ອງ. ມັນຍັງສາມາດຖືກໃຊ້ເພື່ອກູ້ຂໍ້ມູນ ແລະສ້າງສ່ວນທີ່ເສຍຫາຍຂອງຮູບພາບຄືນໃໝ່, ຫຼືເພື່ອດຳເນີນການກວດຫາໃບໜ້າ. 

ເພື່ອປະມວນຜົນຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍນີ້ຢ່າງວ່ອງໄວແລະມີປະສິດທິພາບ, ນັກວິທະຍາສາດຂໍ້ມູນຕ້ອງອີງໃສ່ເຄື່ອງມືການປຸງແຕ່ງຮູບພາບສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກແລະວຽກງານການຮຽນຮູ້ເລິກ. ຫ້ອງສະຫມຸດການປຸງແຕ່ງຮູບພາບຊັ້ນນໍາຈໍານວນຫຼາຍຖືກນໍາໃຊ້ໃນ Python. 

ລອງມາເບິ່ງ 10 ຫ້ອງສະໝຸດການປະມວນຜົນຮູບພາບທີ່ດີທີ່ສຸດໃນ Python: 

1. OpenCV

ອັນດັບຫນຶ່ງຂອງພວກເຮົາແມ່ນ OpenCV, ເຊິ່ງເປັນຫ້ອງສະຫມຸດ open-source ທີ່ຖືກພັດທະນາແລະປ່ອຍອອກມາໂດຍ Intel ໃນປີ 2000. OpenCV ມັກຈະຖືກນໍາໄປໃຊ້ສໍາລັບວຽກງານການເບິ່ງເຫັນຄອມພິວເຕີເຊັ່ນ: ການກວດສອບໃບຫນ້າ, ການກວດສອບວັດຖຸ, ການຮັບຮູ້ໃບຫນ້າ, ການແບ່ງສ່ວນຮູບພາບ, ແລະອື່ນໆອີກ. 

ຂຽນໃນ C ++, OpenCV ຍັງມາພ້ອມກັບ wrapper Python ແລະສາມາດຖືກນໍາໃຊ້ຄຽງຄູ່ກັບ NumPy, SciPy, ແລະ Matplotlib. ຫນຶ່ງໃນລັກສະນະທີ່ດີທີ່ສຸດຂອງ OpenCV ແມ່ນວ່າຫ້ອງສະຫມຸດວິໄສທັດຄອມພິວເຕີກໍາລັງພັດທະນາຢ່າງຕໍ່ເນື່ອງຍ້ອນຜູ້ປະກອບສ່ວນຈໍານວນຫຼາຍຂອງຕົນໃນ Github. 

ຫ້ອງສະໝຸດການປະມວນຜົນຮູບພາບໃຫ້ການເຂົ້າເຖິງຫຼາຍກວ່າ 2,500 ອັນທີ່ທັນສະໄໝ ແລະລະບົບສູດຄລາດສິກ. ຜູ້​ໃຊ້​ສາ​ມາດ​ນໍາ​ໃຊ້ OpenCV ເພື່ອ​ປະ​ຕິ​ບັດ​ວຽກ​ງານ​ສະ​ເພາະ​ໃດ​ຫນຶ່ງ​ເຊັ່ນ​: ການ​ເອົາ​ຕາ​ແດງ​ແລະ​ການ​ຕິດ​ຕາມ​ການ​ເຄື່ອນ​ໄຫວ​ຕາ​. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ OpenCV: 

  • ໃຊ້ໂດຍບໍລິສັດໃຫຍ່ເຊັ່ນ IBM, Google, ແລະໂຕໂຍຕ້າ
  • ປະສິດທິພາບ Algorithmic
  • ການ​ເຂົ້າ​ເຖິງ​ອັນ​ກວ້າງ​ຂວາງ​ກັບ​ວິ​ທີ​ການ​
  • ການໂຕ້ຕອບຫຼາຍອັນ

2. Scikit-ຮູບພາບ

ຫໍສະມຸດການປຸງແຕ່ງຮູບພາບຊັ້ນນໍາອີກອັນຫນຶ່ງໃນຕະຫຼາດແມ່ນ Scikit-Image, ເຊິ່ງຖືກໃຊ້ສໍາລັບເກືອບທຸກວຽກງານວິໄສທັດຂອງຄອມພິວເຕີ. Scikit-Image ແມ່ນບາງສ່ວນຂຽນໃນ Cython, ເຊິ່ງເປັນພາສາການຂຽນໂປຼແກຼມທີ່ເປັນ superset ຂອງ Python. ໂຄງສ້າງທີ່ເປັນເອກະລັກນີ້ຊ່ວຍໃຫ້ມັນບັນລຸການປະຕິບັດທີ່ດີ. 

Scikit-Image, ເຊິ່ງໃຊ້ NumPy arrays ເປັນວັດຖຸຂອງຮູບພາບ, ສະເຫນີສູດການຄິດໄລ່ທີ່ແຕກຕ່າງກັນຫຼາຍສໍາລັບການແບ່ງສ່ວນ, ການຫມູນໃຊ້ພື້ນທີ່ສີ, ການຫັນເປັນເລຂາຄະນິດ, ການວິເຄາະ, morphology, ການກວດສອບຄຸນສົມບັດ, ແລະອື່ນໆອີກ.

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Scikit-Image: 

  • ແຫຼ່ງເປີດແລະງ່າຍຕໍ່ການນໍາໃຊ້ 
  • ບໍ່ເສຍຄ່າກັບຂໍ້ ຈຳ ກັດດ້ານກົດ ໝາຍ ແລະໃບອະນຸຍາດຂັ້ນຕໍ່າ
  • versatile 
  • ຄໍາຮ້ອງສະຫມັກໃນໂລກທີ່ແທ້ຈິງເຊັ່ນ: ການຄາດຄະເນພຶດຕິກໍາຂອງຜູ້ບໍລິໂພກ

3. SciPy

ການອອກແບບໃນເບື້ອງຕົ້ນສໍາລັບການຄິດໄລ່ທາງຄະນິດສາດແລະວິທະຍາສາດ, SciPy ຍັງເປັນຫ້ອງສະຫມຸດຊັ້ນນໍາສໍາລັບການປະຕິບັດການປຸງແຕ່ງຮູບພາບຫຼາຍມິຕິໂດຍການນໍາເຂົ້າ submodule scipy.ndimage. SciPy ສະຫນອງຫນ້າທີ່ເພື່ອດໍາເນີນການກ່ຽວກັບ N-dimensional Numpy arrays. 

ຫ້ອງສະຫມຸດການປະມວນຜົນຮູບພາບນີ້ແມ່ນທາງເລືອກທີ່ດີອີກອັນຫນຶ່ງຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາລະດັບຄວາມກ້ວາງຂອງຄໍາຮ້ອງສະຫມັກເຊັ່ນ: ການແບ່ງສ່ວນຮູບພາບ, convolution, ການອ່ານຮູບພາບ, ການກວດຈັບໃບຫນ້າ, ການສະກັດເອົາຄຸນນະສົມບັດ, ແລະອື່ນໆ. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Scipy: 

  • ຄໍາສັ່ງລະດັບສູງແລະຊັ້ນຮຽນສໍາລັບການເບິ່ງເຫັນແລະການຈັດການຂໍ້ມູນ
  • Open source
  • ເຊດຊັນການໂຕ້ຕອບກັບ Python
  • ຫ້ອງຮຽນ, ເວັບໄຊຕ໌ແລະຖານຂໍ້ມູນປົກກະຕິສໍາລັບການດໍາເນີນໂຄງການຂະຫນານ

4. ມະໂຫຕາ

ຫໍສະໝຸດການປະມວນຜົນຮູບພາບຊັ້ນນຳອີກອັນໜຶ່ງໃນ Python ແມ່ນ Mahotas, ເຊິ່ງຖືກອອກແບບໃນເບື້ອງຕົ້ນສຳລັບຂໍ້ມູນຊີວະພາບ. Mahotas ຊ່ວຍໃຫ້ຜູ້ພັດທະນາສາມາດໃຊ້ປະໂຍດຈາກຄຸນສົມບັດຂັ້ນສູງເຊັ່ນ: ຮູບແບບຖານສອງ ແລະ haralick. ມັນສາມາດຄິດໄລ່ຮູບພາບ 2D ແລະ 3D ຜ່ານໂມດູນ mahotas.features.haralick ຂອງມັນ, ແລະມັນສະກັດຂໍ້ມູນຈາກຮູບພາບເພື່ອປະຕິບັດການປຸງແຕ່ງຮູບພາບຂັ້ນສູງ. 

Mahotas ມີຫຼາຍຫນ້າທີ່ນິຍົມເຊັ່ນ Watershed, ການຄິດໄລ່ຈຸດ Convex, ການປຸງແຕ່ງ morphological, ແລະການຈັບຄູ່ແມ່ແບບ. ມີຫຼາຍກວ່າ 100 ຫນ້າທີ່ສໍາລັບຄວາມສາມາດໃນການເບິ່ງເຫັນຄອມພິວເຕີ. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Mahotas: 

  • ຫຼາຍກວ່າ 100 ຫນ້າທີ່ເຮັດວຽກສໍາລັບການເບິ່ງເຫັນຄອມພິວເຕີ
  • ລັກສະນະຂັ້ນສູງ
  • ຄິດໄລ່ຮູບພາບ 2D ແລະ 3D
  • ສືບຕໍ່ເພີ່ມຫນ້າທີ່ໃຫມ່ 

5. ໝອນ/PIL

ຫ້ອງສະຫມຸດແຫຼ່ງເປີດອື່ນສໍາລັບວຽກງານການປຸງແຕ່ງຮູບພາບ, Pillow ແມ່ນສະບັບກ້າວຫນ້າທາງດ້ານຂອງ PIL (Python Imaging Library). ດ້ວຍ Pillow, ທ່ານສາມາດປະຕິບັດຫຼາຍຂະບວນການໃນການປຸງແຕ່ງຮູບພາບເຊັ່ນ: ການດໍາເນີນງານຈຸດ, ການກັ່ນຕອງ, ແລະການຫມູນໃຊ້. 

ໝອນແມ່ນຫນຶ່ງໃນຫ້ອງສະຫມຸດຊັ້ນນໍາສໍາລັບການຈັດການຮູບພາບຍ້ອນການສະຫນັບສະຫນູນຂອງມັນສໍາລັບຮູບແບບຮູບພາບທີ່ຫລາກຫລາຍ. ຫ້ອງສະຫມຸດການປຸງແຕ່ງຮູບພາບແມ່ນງ່າຍທີ່ຈະໃຊ້, ເຮັດໃຫ້ມັນເປັນຫນຶ່ງໃນເຄື່ອງມືທົ່ວໄປທີ່ສຸດສໍາລັບນັກວິທະຍາສາດຂໍ້ມູນຜູ້ທີ່ເຮັດວຽກກັບຮູບພາບ. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຂອງ Pillow: 

  • ຮອງຮັບຮູບແບບຮູບພາບຕ່າງໆເຊັ່ນ JPEG ແລະ PNG
  • ງ່າຍ​ທີ່​ຈະ​ນໍາ​ໃຊ້
  • ວິທີການປຸງແຕ່ງຮູບພາບຕ່າງໆ
  • ເປັນປະໂຫຍດສໍາລັບການເພີ່ມຂໍ້ມູນການຝຶກອົບຮົມສໍາລັບບັນຫາສາຍຕາຄອມພິວເຕີ

6. SimpleITK

SimpleITK ເຮັດວຽກແຕກຕ່າງກັນເລັກນ້ອຍກ່ວາຫ້ອງສະຫມຸດປະມວນຜົນຮູບພາບອື່ນໆໃນບັນຊີລາຍຊື່ນີ້. ແທນທີ່ຈະພິຈາລະນາຮູບພາບເປັນ arrays, SimpleITK ພິຈາລະນາພວກມັນເປັນຊຸດຂອງຈຸດທີ່ຢູ່ໃນພື້ນທີ່ທາງດ້ານຮ່າງກາຍ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ມັນກໍານົດພາກພື້ນທີ່ຄອບຄອງໂດຍຮູບພາບເປັນຕົ້ນກໍາເນີດ, ຂະຫນາດ, ໄລຍະຫ່າງ, ແລະທິດທາງ cosine matrix. ອັນນີ້ເຮັດໃຫ້ SimpleITK ສາມາດປະມວນຜົນຮູບພາບໄດ້ຢ່າງມີປະສິດທິພາບ ແລະຮອງຮັບຂະໜາດ 2D, 3D ແລະ 4D. 

SimpleITK ມັກຈະຖືກນໍາໃຊ້ສໍາລັບການແບ່ງສ່ວນຮູບພາບແລະການລົງທະບຽນຮູບພາບ, ເຊິ່ງເປັນຂະບວນການຂອງການວາງຊ້ອນຮູບພາບສອງຫຼືຫຼາຍກວ່ານັ້ນ. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ SimpleITK: 

  • ຮອງຮັບຮູບພາບ 2D ແລະ 3D
  • ຄຸນນະສົມບັດການຂຽນໂປລແກລມແບບພິເສດທີ່ສະຫນອງການປະຕິບັດ, ຄວາມຍືດຫຍຸ່ນ, ແລະປະສິດທິພາບ
  • ການແບ່ງສ່ວນຮູບພາບແລະການລົງທະບຽນຮູບພາບ
  • ພິ​ຈາ​ລະ​ນາ​ຮູບ​ພາບ​ເປັນ​ຊຸດ​ຈຸດ​ກ່ຽວ​ກັບ​ພາກ​ພື້ນ​ທາງ​ດ້ານ​ຮ່າງ​ກາຍ​ໃນ​ອະ​ວະ​ກາດ​

7. matplotlib

Matplotlib ເປັນອີກທາງເລືອກທີ່ດີສໍາລັບຫ້ອງສະຫມຸດປະມວນຜົນຮູບພາບ. ມັນເປັນປະໂຫຍດໂດຍສະເພາະເປັນໂມດູນຮູບພາບສໍາລັບການເຮັດວຽກກັບຮູບພາບໃນ Python, ແລະມັນປະກອບມີສອງວິທີການສະເພາະສໍາລັບການອ່ານແລະການສະແດງຮູບພາບ. Matplotlib ມີຄວາມຊ່ຽວຊານໃນແຜນຜັງ 2D ຂອງອາເຣເປັນຫ້ອງສະໝຸດການສະແດງຂໍ້ມູນຫຼາຍເວທີໃນ Numpy arrays. 

ຫໍສະມຸດການປະມວນຜົນຮູບພາບແມ່ນປົກກະຕິແລ້ວໃຊ້ສໍາລັບການເບິ່ງເຫັນພາບ 2D ເຊັ່ນ: ແຜ່ນກະແຈກກະຈາຍ, ຮິສໂຕແກຣມ, ແລະກຣາຟແຖບ, ແຕ່ມັນໄດ້ພິສູດໃຫ້ເຫັນວ່າເປັນປະໂຫຍດສໍາລັບການປະມວນຜົນຮູບພາບໂດຍການດຶງຂໍ້ມູນອອກຈາກຮູບພາບຢ່າງມີປະສິດທິພາບ. ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າ Matplotlib ບໍ່ຮອງຮັບທຸກຮູບແບບໄຟລ໌. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Matplotlib: 

  • ງ່າຍດາຍແລະງ່າຍທີ່ຈະໃຊ້
  • ສະຫນອງຮູບພາບທີ່ມີຄຸນນະພາບສູງແລະດິນຕອນໃນຮູບແບບຕ່າງໆ
  • Open source
  • ສາມາດປັບແຕ່ງໄດ້ສູງ

8. ຕົວເລກ

ໃນຂະນະທີ່ NumPy ເປັນຫ້ອງສະໝຸດ Python open-source ທີ່ໃຊ້ໃນການວິເຄາະຕົວເລກ, ມັນຍັງສາມາດໃຊ້ສໍາລັບວຽກງານການປະມວນຜົນຮູບພາບເຊັ່ນ: ການຕັດຮູບພາບ, ການຈັດການ pixels, ການປິດບັງຄ່າ pixels ແລະອື່ນໆອີກ. NumPy ມີເມທຣິກ ແລະອະເຣຫຼາຍມິຕິເປັນໂຄງສ້າງຂໍ້ມູນ. 

NumPy ຍັງສາມາດຖືກນໍາໃຊ້ເພື່ອຊ່ວຍໃນການຫຼຸດຜ່ອນສີ, binarization, paste ກັບ slice, inversion ໃນທາງບວກຫຼືທາງລົບ, ແລະຫນ້າທີ່ອື່ນໆຈໍານວນຫຼາຍ. ຮູບພາບຍັງສາມາດຖືກພິຈາລະນາເປັນ arrays, ເຊິ່ງເຮັດໃຫ້ NumPy ສາມາດປະຕິບັດວຽກງານການປຸງແຕ່ງຮູບພາບທີ່ແຕກຕ່າງກັນ. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ NumPy: 

  • ການເກັບຮັກສາຂໍ້ມູນກະທັດລັດ
  • ການປະມວນຜົນຄວາມໄວສູງຂອງອາເຣ
  • ຊ່ວຍໃຫ້ມີຫຼາຍຫນ້າທີ່
  • ຄວາມເຂົ້າກັນໄດ້ຂອງຂໍ້ມູນກັບຫ້ອງສະຫມຸດອື່ນໆ

9. Pgmagick

ໃກ້ຈະສິ້ນສຸດບັນຊີລາຍຊື່ຂອງພວກເຮົາແມ່ນ Pgmagick, ເຊິ່ງເປັນຫ້ອງສະຫມຸດ Python ຊັ້ນນໍາສໍາລັບການປຸງແຕ່ງຮູບພາບສໍາລັບຫ້ອງສະຫມຸດ GraphicMagick. ເຄື່ອງມືການປຸງແຕ່ງຮູບພາບມີການເກັບກໍາທີ່ຫນ້າປະທັບໃຈຂອງເຄື່ອງມືແລະຫ້ອງສະຫມຸດທີ່ໃຫ້ການຊ່ວຍເຫຼືອໃນການແກ້ໄຂຮູບພາບແລະການຫມູນໃຊ້ຮູບພາບ. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ Pgmagick:

  • ການເກັບກໍາຂະຫນາດໃຫຍ່ຂອງເຄື່ອງມືແລະຫ້ອງສະຫມຸດ
  • ການແກ້ໄຂຮູບພາບແລະການຫມູນໃຊ້ຮູບພາບ
  • ສະຫນັບສະຫນູນຫຼາຍຮູບແບບຮູບພາບ
  • Open source

10​. CV ງ່າຍໆ

ຫ້ອງສະຫມຸດປະມວນຜົນຮູບພາບສຸດທ້າຍໃນ Python ໃນບັນຊີລາຍຊື່ຂອງພວກເຮົາແມ່ນ SimpleCV, ເຊິ່ງເປັນກອບແຫຼ່ງເປີດທີ່ນິຍົມສໍາລັບການສ້າງຄໍາຮ້ອງສະຫມັກວິໄສທັດຄອມພິວເຕີດ້ວຍການປະມວນຜົນຮູບພາບ. SimpleCV ມີການໂຕ້ຕອບທີ່ສາມາດອ່ານໄດ້ສໍາລັບກ້ອງຖ່າຍຮູບ, ການແປງຮູບແບບ, ການຫມູນໃຊ້ຮູບພາບ, ການສະກັດເອົາຄຸນສົມບັດ, ແລະອື່ນໆ. 

ຫໍສະມຸດການປຸງແຕ່ງຮູບພາບເປັນທີ່ນິຍົມໃນບັນດາຜູ້ທີ່ຊອກຫາການສ້າງວຽກວິໄສທັດຄອມພິວເຕີໄດ້ຢ່າງງ່າຍດາຍ. ມັນຊ່ວຍໃຫ້ຜູ້ໃຊ້ສາມາດເຂົ້າເຖິງຫ້ອງສະຫມຸດວິໄສທັດຄອມພິວເຕີທີ່ມີປະສິດທິພາບສູງເຊັ່ນ OpenCV ໂດຍບໍ່ຈໍາເປັນຕ້ອງຮຽນຮູ້ກ່ຽວກັບຮູບແບບໄຟລ໌, ຄວາມເລິກບິດ, ພື້ນທີ່ສີ, ການຈັດການບັຟເຟີ, ແລະອື່ນໆ. 

ນີ້ແມ່ນບາງຈຸດເດັ່ນຕົ້ນຕໍຂອງ SimpleCV: 

  • Open source
  • ການໂຕ້ຕອບທີ່ສາມາດອ່ານໄດ້
  • ສ້າງວຽກວິໄສທັດຄອມພິວເຕີໄດ້ຢ່າງງ່າຍດາຍ
  • ການເຂົ້າເຖິງຫ້ອງສະຫມຸດວິໄສທັດຄອມພິວເຕີພະລັງງານສູງ

Alex McFarland ເປັນນັກຂ່າວ AI ແລະນັກຂຽນທີ່ຄົ້ນຫາການພັດທະນາຫລ້າສຸດໃນປັນຍາປະດິດ. ລາວໄດ້ຮ່ວມມືກັບ AI startups ແລະສິ່ງພິມຕ່າງໆໃນທົ່ວໂລກ.