트레이딩을 위한 ONNX 학습 - 페이지 2

[MetaQuotes]

딥 러닝의 과제 | 튜토리얼-2 | 개방형 신경망 교환 | ONNX

딥 러닝의 과제 | 튜토리얼-2 | 개방형 신경망 교환 | ONNX

추론 중에 다양한 딥 러닝 프레임워크 및 하드웨어 가속기를 사용하는 문제는 이 비디오 부분에서 논의됩니다. ONNX는 다양한 딥 러닝 프레임워크 및 하드웨어 가속기와 호환되는 중간 모델 유형으로 제공되어 이들 간에 모델을 원활하게 전송할 수 있습니다. 필요할 때 ONNX 모델을 특정 프레임워크로 변환하면 다양한 시스템에서 훈련된 모델을 사용할 때 더 큰 유연성을 얻을 수 있습니다. 이러한 문제와 솔루션을 이해하면 딥 러닝 작업을 위한 효과적인 파이프라인을 만드는 데 도움이 될 수 있습니다.

• 00:00:00 비디오의 이 섹션에서는 딥 러닝의 과제에 대해 설명합니다. 딥 러닝에 사용되는 다양한 인기 프레임워크로는 Cafe, TensorFlow, Keras 및 MXNet이 있습니다. 높은 계산 능력을 위해서는 NVIDIA GPU, Intel GPU, Google TPU와 같은 딥 러닝 솔루션에 최적화된 하드웨어 가속기가 필요합니다. 또한 추론은 효율성을 보장하기 위해 최적화된 모델이 필요하며 NVIDIA T4, CPU 및 Google Coral, Raspberry Pi 및 Jetson VR과 같은 S 장치와 같은 다양한 추론 하드웨어 옵션이 있습니다. 딥 러닝을 위한 장치를 선택할 때 소프트웨어 및 하드웨어 요소를 고려하는 것이 중요합니다. ONNX는 다양한 딥 러닝 프레임워크 및 하드웨어 가속기와의 호환성으로 인해 선호되며, 이들 간의 원활한 모델 전송을 용이하게 합니다.
  
  
• 00:05:00 이 섹션에서 발표자는 추론 단계에서 다른 프레임워크 또는 하드웨어와 함께 훈련된 모델을 사용하는 문제를 설명합니다. 이 문제는 다양한 하드웨어 및 프레임워크와 함께 사용할 수 있는 중간 모델 유형인 ONNX(Open Neural Network Exchange)로 해결할 수 있습니다. ONNX 모델은 필요한 경우 특정 프레임워크로 변환할 수 있습니다. 이 솔루션을 사용하면 서로 다른 시스템에서 학습된 모델을 보다 유연하게 사용할 수 있습니다. 발표자는 이러한 문제와 솔루션을 이해하면 파이프라인을 만들고 딥 러닝을 효과적으로 사용하는 데 도움이 될 것이라고 말하면서 결론을 내립니다.

[MetaQuotes]

ONNX에 대한 모든 것 | 튜토리얼-3 | 개방형 신경망 교환 | ONNX

ONNX에 대한 모든 것 | 튜토리얼-3 | 개방형 신경망 교환 | ONNX

이 동영상에서는 모델을 다른 프레임워크 모델 유형으로 변환하고 최적화 기능을 제공하는 중개 기계 학습 프레임워크인 ONNX에 대해 설명합니다. AWS, Microsoft 및 Facebook에서 2017년에 처음 소개한 ONNX는 IBM, Intel 및 Huawei를 비롯한 다른 회사의 인기와 기여를 얻었습니다. 많은 회사들이 현재 ONNX 에코시스템 작업에 전념하고 있습니다.

[MetaQuotes]

디자인 원칙 | 튜토리얼-4 | 개방형 신경망 교환 | ONNX

디자인 원칙 | 튜토리얼-4 | 개방형 신경망 교환 | ONNX

이 비디오에서 발표자는 ONNX(Open Neural Network Exchange)의 설계 원칙을 설명합니다. 처음에 딥 러닝용으로 개발된 에코시스템은 기존 머신 러닝도 지원하도록 확장되었습니다. ONNX는 다른 프레임워크의 업데이트에 적응할 수 있고 실제 응용 프로그램의 잘 정의된 작업으로 표준화되며 모델을 쉽게 내보내고 가져올 수 있습니다. 이러한 기능은 유연하고 효율적인 솔루션을 찾는 최종 사용자에게 편리한 선택입니다.

[MetaQuotes]

ONNX 파일 형식 | 튜토리얼-5 | 개방형 신경망 교환 | ONNX

ONNX 파일 형식 | 튜토리얼-5 | 개방형 신경망 교환 | ONNX

이 자습서 비디오에서는 모델의 메타데이터 및 버전과 함께 입력 및 출력 목록, 계산 노드 및 연산자, 연산자 매개 변수를 포함하는 기계 학습 모델용 ONNX 파일 형식을 다룹니다. ONNX 파일 형식은 블랙박스가 아니며 시각화할 수 있습니다. 발표자는 ReLU 및 PReLU와 같은 연산자의 예를 제공하고 딥 러닝 모델 그래프를 시연하고 이를 ONNX 파일 형식 그래프와 비교합니다. 사용자 지정 연산자는 ONNX를 사용하여 매핑할 수도 있으므로 유연성과 기능으로 인해 신경망에 널리 사용됩니다.

• 00:00:00 이 섹션에서 발표자는 블랙박스가 아니며 시각화할 수 있는 기계 학습 모델용 ONNX 파일 형식에 대해 설명합니다. ONNX 파일 형식에는 입력 및 출력 목록, 계산 노드 및 연산자 목록, 연산자 매개 변수, 메타데이터 및 모델 버전이 포함됩니다. 연사는 컴퓨팅 노드의 시퀀스인 딥 러닝 모델 그래프를 시연하고 이를 ONNX 파일 형식 그래프와 비교합니다. ONNX 파일 형식에는 Keras, TensorFlow 및 PyTorch와 같은 프레임워크의 연산자를 매핑하는 연산자 스키마가 포함되어 있습니다. 발표자는 ReLU 및 PReLU와 같은 연산자의 예를 보여줍니다.
  
  
• 00:05:00 이 섹션에서 발표자는 실제 모델을 ONNX 파일 형식으로 변환할 때 프레임워크가 연산자를 모델에 매핑하는 방법을 설명합니다. ONNX를 사용하여 사용자 지정 연산자를 만들고 매핑할 수도 있습니다. ONNX는 많은 기능을 제공하는 유연한 플랫폼으로 신경망 분야에서 인기를 얻고 있습니다.

[MetaQuotes]

ONNX 데이터 유형 | 튜토리얼-6 | 개방형 신경망 교환 | ONNX

ONNX 데이터 유형 | 튜토리얼-6 | 개방형 신경망 교환 | ONNX

동영상에서는 ONNX에 심층 신경망과 기계 학습이라는 두 가지 유형의 사양이 있다고 설명합니다. 전자는 Python 및 TensorFlow에서도 사용되는 정수, 부동 소수점, 부울, 문자열 및 복합 유형과 같은 텐서 데이터 유형을 사용합니다. 한편, 후자는 일반적으로 텐서를 사용하지 않는 통계 기반 학습으로 인해 시퀀스 및 맵과 같은 비텐서 데이터 유형을 사용합니다.

[MetaQuotes]

기계 학습 예제 | 튜토리얼-7 | 개방형 신경망 교환 | ONNX

기계 학습 예제 | 튜토리얼-7 | 개방형 신경망 교환 | ONNX

이 비디오 자습서에서는 피클 형식으로 저장된 모델을 ONNX(Open Neural Network Exchange) 모델 파일 형식으로 변환하여 ONNX를 사용하는 기계 학습의 실제 예를 설명합니다. 비디오는 필요한 패키지를 지정하는 요구 사항 파일을 제공하고, 발표자는 skl2onnx 패키지를 사용하여 ONNX 형식으로 변환하기 전에 데이터를 가져오고, 분할하고, 모델을 학습시키는 간단한 코드를 제공합니다. 변환 스크립트가 제공되며 Netron 도구로 결과 그래프를 시각화하고 ONNX 모델에서 추론을 수행하는 방법에 대한 지침이 공유됩니다. 발표자는 ONNX 형식의 이식성과 최적화를 강조하고 변환 프로세스 연습을 권장합니다.

• 00:00:00 이 섹션에서는 비디오에서 ONNX를 사용하는 기계 학습의 실용적인 예를 설명합니다. 예제에는 모델을 교육하고 피클 형식으로 저장한 다음 ONNX 모델 파일 형식으로 변환하는 작업이 포함됩니다. 비디오는 변환기인 sklearn 및 skl2onnx를 포함하여 모든 요구 사항 패키지가 지정된 requirements.txt 파일을 제공합니다. 그런 다음 비디오는 is 데이터 세트를 가져오고 훈련-테스트 분할을 수행하고 모델을 교육하는 간단한 코드를 보여줍니다. 마지막으로 skl2onnx 패키지를 사용하여 저장된 모델을 ONNX 형식으로 변환하는 변환 스크립트가 제공됩니다.
  
  
• 00:05:00 이 섹션에서 발표자는 간단한 스크립트를 사용하여 피클 모델을 ONNX 모델로 변환하는 방법을 설명합니다. 이 스크립트에는 피클 모델 로드, 데이터 유형 정의, convert_scalar 함수 호출, 모델을 ONNX 파일로 저장하기 전에 클래스 개체 전달이 포함됩니다. 발표자는 또한 Netron 도구를 사용하여 결과 그래프를 시각화하고 샘플 입력을 전달하여 ONNX 모델을 사용하여 추론을 수행하는 방법을 시연합니다. ONNX 형식은 모든 ONNX 에코시스템에서 사용할 수 있으므로 피클 형식보다 이식성이 뛰어나고 최적화된 것으로 설명됩니다. 연사는 변환 프로세스를 효과적으로 수행하는 방법을 기억하기 위해 변환 프로세스를 연습할 것을 권장합니다.

[MetaQuotes]

ONNX 런타임 | 튜토리얼-8 | 개방형 신경망 교환 | ONNX

ONNX 런타임 | 튜토리얼-8 | 개방형 신경망 교환 | ONNX

연사는 ONNX 런타임과 딥 러닝에서의 중요성에 대해 설명합니다. ONNX Runtime은 빠르고 Microsoft에서 설립한 고성능 엔진입니다. 오픈 소스이며 Windows 10과 함께 제공되는 확장 가능한 모듈식 프레임워크입니다. 지연될 수 있는 기본 런타임과 달리 딥 러닝에 빠르고 효율적이기 때문에 Microsoft는 이 런타임을 선호합니다. 또한 ONNX 런타임 다이어그램은 ONNX Runtime을 사용하여 기존 모델을 ONNX 파일 형식으로 변환한 다음 ONNX 런타임을 사용하여 하드웨어나 프레임워크에 대한 걱정 없이 모델을 실행하는 방법을 보여줍니다. 연사는 청중이 ONNX의 공식 GitHub에서 ONNX 런타임에 대해 자세히 알아볼 수 있다고 제안합니다.

[MetaQuotes]

ONNX 모델 동물원 | 튜토리얼-9 | 개방형 신경망 교환 | ONNX

ONNX 모델 동물원 | 튜토리얼-9 | 개방형 신경망 교환 | ONNX

ONNX Model Zoo는 이미지 분류, 개체 감지, 음성 및 오디오 처리와 같은 다양한 작업을 위한 사전 훈련된 모델 모음입니다. 미리 학습된 모델은 ONNX 파일로 다운로드할 수 있으며 추론을 위해 모든 프레임워크 또는 ONNX 런타임과 함께 사용할 수 있습니다. 또한 Azure ML과 같은 클라우드 플랫폼은 사용자가 자신의 데이터를 업로드하고 모델을 교육하여 ONNX 파일로 다운로드할 수 있는 유사한 기능을 제공합니다. 다음 동영상에서는 필기 숫자 인식을 위해 ONNX Model Zoo에서 사전 학습된 모델을 사용하는 방법을 보여줍니다.

[MetaQuotes]

ONNX 모델 동물원 데모 | 튜토리얼-10 | 개방형 신경망 교환 | ONNX

ONNX 모델 동물원 데모 | 튜토리얼-10 | 개방형 신경망 교환 | ONNX

비디오 자습서는 ONNX Model Zoo를 사용하여 ONNX 런타임을 사용하여 ONNX 모델에서 추론을 수행하는 방법을 보여줍니다. 발표자는 가상 환경 생성, 필요한 패키지 설치, ONNX Model Zoo에서 MNIST 필기 모델 다운로드, 추론을 위한 Python 스크립트 작성 과정을 통해 시청자를 안내합니다. 데모는 예측 시간이 빠르다는 것을 보여주고 사용자가 ONNX Model Zoo에서 직접 모델을 다운로드하도록 권장합니다. 이 비디오는 Python 모델을 TensorFlow로 변환하는 방법을 다루는 다음 자습서를 보여줍니다.

• 00:00:00 이 섹션에서 발표자는 ONNX Model Zoo에서 MNIST 필기 모델을 다운로드하고 ONNX 런타임 위에서 추론을 수행하는 방법을 시연합니다. 사용자는 가상 환경을 만들고 ONNX Runtime, OpenCV 및 NumPy와 같은 필수 패키지를 설치해야 합니다. 그런 다음 발표자는 ONNX Model Zoo에서 모델을 직접 다운로드하거나 CNTK.ai 웹사이트 링크를 복사하여 모델을 다운로드하는 방법을 보여줍니다. 모델이 다운로드되면 발표자는 ONNX 모델 로드, 이미지 전처리, 세션 실행을 포함하여 추론을 위한 Python 스크립트 작성 방법을 설명합니다. 마지막으로 프리젠터는 argmax 작업을 기반으로 결과를 페인팅하여 예측을 표시합니다.
  
  
• 00:05:00 이 섹션에서는 발표자가 ONNX 런타임을 사용하여 ONNX 모델을 사용한 추론에 대해 설명합니다. 미리 훈련된 ONNX 모델을 사용하여 필기 숫자를 예측하고 예측 시간이 매우 빠르다는 것을 보여줍니다. 발표자는 또한 사용자가 ONNX Model Zoo에서 모델을 다운로드하고 변환할 필요 없이 추론을 시작할 수 있다고 언급합니다. 그들은 Python 모델을 TensorFlow로 변환할 계획인 다음 비디오를 예고하여 사용자에게 모델 변환 프로세스에 대한 보다 심층적인 이해를 제공합니다.

[MetaQuotes]

PyTorch에서 Tensorflow 데모 | 튜토리얼-11 | 개방형 신경망 교환 | ONNX

PyTorch에서 Tensorflow 데모 | 튜토리얼-11 | 개방형 신경망 교환 | ONNX

이 비디오는 ONNX를 사용하여 PyTorch 모델을 TensorFlow 형식으로 변환하는 방법을 보여줍니다. 이 프로세스에는 PyTorch에서 모델을 교육하고 .pth 형식으로 저장한 다음 ONNX 형식으로 변환한 다음 최종적으로 TensorFlow 형식으로 변환하는 작업이 포함됩니다. 변환 과정은 MNIST 데이터 세트를 사용하여 손으로 쓴 숫자 분류 모델을 사용하여 자세히 표시하고 결과 TensorFlow 모델을 샘플 이미지로 테스트합니다. 비디오는 또한 모델을 Caffe2에서 ONNX로 변환하는 방법을 간략하게 다루며 사용자가 ONNX를 더 탐색할 것을 제안합니다.

• 00:00:00 비디오의 이 섹션에서 발표자는 ONNX를 사용하여 Python 모델을 TensorFlow로 변환하는 방법을 시연합니다. 그들은 모델을 변환할 때 따라야 할 두 단계가 있다고 설명합니다. 먼저 원하는 프레임워크에서 모델을 교육한 다음 ONNX 파일 형식으로 변환합니다. 거기에서 TensorFlow 또는 PyTorch와 같은 원하는 형식으로 변환할 수 있습니다. 그런 다음 발표자는 ONNX 및 TensorFlow 패키지를 사용하여 MNIST 데이터 세트를 사용하여 필기 숫자 분류 모델을 PyTorch에서 TensorFlow로 변환하는 방법을 보여줍니다. 필요한 패키지 설치, 라이브러리 가져오기, 모델 정의, 교육 및 테스트 생성을 포함하여 프로세스의 각 단계를 설명합니다.
  기능. 노트북 코드는 사용자가 따라할 수 있도록 리소스 섹션에 제공됩니다.
  
  
• 00:05:00 비디오의 이 섹션에서 발표자는 PyTorch 모델을 훈련하고 .pth 파일 형식으로 저장합니다. 다음으로 모델이 로드되고 ONNX 파일 형식으로 변환됩니다. 변환된 ONNX 모델은 TensorFlow에 로드되어 three.png 및 seven.png 이미지에서 기능을 테스트합니다. 모델은 두 이미지 모두에 대해 올바른 값을 예측합니다. 마지막으로 ONNX 모델은 TensorFlow 모델로 변환되고 추가 예측에 사용할 수 있는 .pb 파일 형식으로 저장됩니다. 전반적으로 발표자는 ONNX의 도움을 받아 PyTorch 모델을 TensorFlow 모델로 변환하는 방법을 시연합니다.
  
  
• 00:10:00 비디오의 이 섹션에서 연사는 자신의 모델을 caffe2 모델에서 ONNX로 변환하는 방법에 대해 설명합니다. 발표자는 코드가 이미 작성되어 있고 필요한 모든 패키지를 사용할 수 있는 노트북에 대한 링크를 제공했습니다. 연사는 PyTorch에서 ONNX로, PyTorch에서 Caffe2로, TensorFlow에서 ONNX로의 모든 가능한 변환이 노트북에서 가능하다고 설명합니다. 연사는 시청자에게 더 나은 학습 경험을 위해 ONNX를 더 탐색하고 실시간 예제를 시도하라고 조언합니다. 마지막으로 연사는 비디오를 끝내고 시리즈를 시청해 주신 시청자에게 감사드립니다.