Apprendre ONNX pour le trading - page 2

[MetaQuotes]

Présentation d'ONNX | Tutoriel-1 | Échange de réseau neuronal ouvert | ONNX

Présentation d'ONNX | Tutoriel-1 | Échange de réseau neuronal ouvert | ONNX

Ce didacticiel fournit une introduction à ONNX, qui est un framework d'apprentissage automatique intermédiaire qui convertit les modèles existants d'un framework à un autre. Le cours couvre les défis rencontrés dans l'apprentissage en profondeur, un aperçu d'ONNX et une discussion sur l'environnement d'exécution ONNX. L'instructeur présente des exemples pratiques de conversion de modèles avec ONNX et partage un cas d'utilisation réel de conversion d'un modèle Python en modèle TensorFlow. Une connaissance de la programmation Python, des bases de l'apprentissage automatique et des frameworks tels que PyTorch, TensorFlow et Scikit-learn est requise.

[MetaQuotes]

Tout sur ONNX | Tutoriel-3 | Échange de réseau neuronal ouvert | ONNX

Tout sur ONNX | Tutoriel-3 | Échange de réseau neuronal ouvert | ONNX

La vidéo traite d'ONNX, un framework d'apprentissage automatique intermédiaire qui permet la conversion de modèles en différents types de modèles de framework et fournit des capacités d'optimisation. Introduit pour la première fois en 2017 par AWS, Microsoft et Facebook, ONNX a gagné en popularité et en contributions d'autres sociétés, notamment IBM, Intel et Huawei. De nombreuses entreprises se consacrent actuellement à travailler sur l'écosystème ONNX.

[MetaQuotes]

Format de fichier ONNX | Tutoriel-5 | Échange de réseau neuronal ouvert | ONNX

Format de fichier ONNX | Tutoriel-5 | Échange de réseau neuronal ouvert | ONNX

Ce didacticiel vidéo couvre le format de fichier ONNX pour les modèles d'apprentissage automatique, qui contient des listes d'entrée et de sortie, des nœuds de calcul et des opérateurs, ainsi que des paramètres d'opérateur, ainsi que des métadonnées et la version du modèle. Le format de fichier ONNX n'est pas une boîte noire et peut être visualisé. L'orateur fournit des exemples d'opérateurs tels que ReLU et PReLU, et démontre un graphique de modèle d'apprentissage en profondeur et le compare avec le graphique de format de fichier ONNX. Les opérateurs personnalisés peuvent également être cartographiés à l'aide d'ONNX, ce qui en fait un choix populaire pour les réseaux de neurones en raison de sa flexibilité et de ses fonctionnalités.

• 00:00:00 Dans cette section, l'orateur discute du format de fichier ONNX pour les modèles d'apprentissage automatique, qui n'est pas une boîte noire et peut être visualisé. Le format de fichier ONNX contient des listes d'entrée et de sortie, une liste de nœuds de calcul et d'opérateurs, et des paramètres d'opérateur, ainsi que des métadonnées et la version du modèle. L'orateur présente un graphe de modèle d'apprentissage en profondeur, qui est une séquence de nœuds de calcul, et le compare au graphe de format de fichier ONNX. Le format de fichier ONNX contient des schémas d'opérateur qui mappent des opérateurs à partir de frameworks tels que Keras, TensorFlow et PyTorch. L'orateur montre des exemples d'opérateurs comme ReLU et PReLU.
  
  
• 00:05:00 Dans cette section, l'orateur explique comment lors de la conversion d'un modèle réel au format de fichier ONNX, le cadre ne fait que mapper les opérateurs sur le modèle. Des opérateurs personnalisés peuvent également être créés et mappés à l'aide d'ONNX. ONNX est une plate-forme flexible qui offre de nombreuses fonctionnalités, c'est pourquoi elle est devenue populaire dans le domaine des réseaux de neurones.

[MetaQuotes]

Principes de conception | Tutoriel-4 | Échange de réseau neuronal ouvert | ONNX

Principes de conception | Tutoriel-4 | Échange de réseau neuronal ouvert | ONNX

Dans cette vidéo, le conférencier explique les principes de conception de l'Open Neural Network Exchange (ONNX). Initialement développé pour l'apprentissage en profondeur, l'écosystème s'est étendu pour prendre également en charge l'apprentissage automatique traditionnel. ONNX est adaptable avec des mises à jour d'autres frameworks, standardisé avec des opérations bien définies à partir d'applications pratiques et capable d'exporter/importer facilement des modèles. Ces caractéristiques en font un choix pratique pour les utilisateurs finaux à la recherche d'une solution flexible et efficace.

[MetaQuotes]

Type de données ONNX | Tutoriel-6 | Échange de réseau neuronal ouvert | ONNX

Type de données ONNX | Tutoriel-6 | Échange de réseau neuronal ouvert | ONNX

La vidéo explique qu'ONNX a deux types de spécifications : les réseaux de neurones profonds et l'apprentissage automatique. Le premier utilise des types de données tensorielles comme des entiers, des flottants, des booléens, des chaînes et des types complexes, qui sont également utilisés dans Python et TensorFlow. Pendant ce temps, ce dernier utilise des types de données non tensorielles comme des séquences et des cartes en raison d'un apprentissage basé sur les statistiques qui n'utilise généralement pas de tenseurs.

[MetaQuotes]

Exemple d'apprentissage automatique | Tutoriel-7 | Échange de réseau neuronal ouvert | ONNX

Exemple d'apprentissage automatique | Tutoriel-7 | Échange de réseau neuronal ouvert | ONNX

Ce didacticiel vidéo explique comment convertir un modèle enregistré au format pickle en un format de fichier de modèle Open Neural Network Exchange (ONNX) pour un exemple pratique d'apprentissage automatique à l'aide d'ONNX. La vidéo fournit un fichier d'exigences spécifiant les packages nécessaires, et l'orateur donne un code simple pour importer des données, diviser et former le modèle avant de convertir au format ONNX à l'aide du package skl2onnx. Un script de conversion est fourni et des instructions pour visualiser le graphique résultant avec l'outil Netron et effectuer une inférence sur le modèle ONNX sont partagées. L'orateur met en évidence la portabilité et l'optimisation du format ONNX et encourage la pratique avec le processus de conversion.

• 00:00:00 Dans cette section, la vidéo présente un exemple pratique d'apprentissage automatique utilisant ONNX. L'exemple implique la formation d'un modèle et son enregistrement au format pickle, puis sa conversion au format de fichier de modèle ONNX. La vidéo fournit un fichier requirements.txt où tous les packages d'exigences sont spécifiés, y compris sklearn et skl2onnx, qui est le convertisseur. La vidéo montre ensuite un code simple d'importation de l'ensemble de données is, d'exécution d'une scission train-test et de formation du modèle. Enfin, un script de conversion est fourni pour convertir le modèle enregistré au format ONNX à l'aide du package skl2onnx.
  
  
• 00:05:00 Dans cette section, l'orateur explique comment convertir un modèle de cornichon en modèle ONNX à l'aide d'un simple script. Le script implique le chargement du modèle pickle, la définition du type de données, l'appel de la fonction convert_scalar et la transmission de l'objet de classe avant d'enregistrer le modèle en tant que fichier ONNX. L'orateur montre également comment visualiser le graphique résultant à l'aide de l'outil Netron et effectuer une inférence à l'aide du modèle ONNX en passant un exemple d'entrée. Le format ONNX est décrit comme plus portable et optimisé que le format pickle, car il peut être utilisé dans n'importe quel écosystème ONNX. L'orateur recommande de pratiquer le processus de conversion pour se rappeler comment le faire efficacement.

[MetaQuotes]

Exécution ONNX | Tutoriel-8 | Échange de réseau neuronal ouvert | ONNX

Exécution ONNX | Tutoriel-8 | Échange de réseau neuronal ouvert | ONNX

L'orateur discute de l'environnement d'exécution ONNX et de son importance dans l'apprentissage en profondeur. L'ONNX Runtime est un moteur hautes performances rapide et fondé par Microsoft. Il s'agit d'un framework extensible et modulaire qui est open source et livré avec Windows 10. Microsoft préfère ce runtime car il est rapide et efficace pour l'apprentissage en profondeur, contrairement au runtime par défaut, qui peut prendre du retard. De plus, le diagramme d'exécution ONNX montre comment l'exécution ONNX est utilisée pour convertir un modèle existant en un format de fichier ONNX, puis l'exécution ONNX est utilisée pour exécuter le modèle sans se soucier du matériel ou de la structure. L'orateur suggère que le public puisse plonger profondément dans l'environnement d'exécution ONNX sur le GitHub officiel d'ONNX.

[MetaQuotes]

Zoo modèle ONNX | Tutoriel-9 | Échange de réseau neuronal ouvert | ONNX

Zoo modèle ONNX | Tutoriel-9 | Échange de réseau neuronal ouvert | ONNX

Le zoo de modèles ONNX est une collection de modèles pré-formés pour différentes tâches telles que la classification d'images, la détection d'objets et le traitement de la parole et de l'audio. Les modèles pré-formés sont disponibles en téléchargement sous forme de fichiers ONNX et peuvent être utilisés avec n'importe quel framework ou le runtime ONNX pour l'inférence. De plus, les plates-formes cloud telles qu'Azure ML offrent des fonctionnalités similaires où les utilisateurs peuvent télécharger leurs propres données et former des modèles à télécharger en tant que fichiers ONNX. La prochaine vidéo montrera comment utiliser un modèle pré-formé du zoo de modèles ONNX pour la reconnaissance des chiffres manuscrits.

[MetaQuotes]

Démo du zoo modèle ONNX | Tutoriel-10 | Échange de réseau neuronal ouvert | ONNX

Démo du zoo modèle ONNX | Tutoriel-10 | Échange de réseau neuronal ouvert | ONNX

Le didacticiel vidéo montre comment utiliser ONNX Model Zoo pour effectuer une inférence sur un modèle ONNX à l'aide de l'environnement d'exécution ONNX. Le présentateur guide les téléspectateurs tout au long du processus de création d'un environnement virtuel, d'installation des packages nécessaires, de téléchargement du modèle manuscrit MNIST à partir du zoo de modèles ONNX et d'écriture d'un script Python pour l'inférence. La démo montre que le temps de prédiction est rapide et encourage les utilisateurs à télécharger des modèles directement depuis le zoo de modèles ONNX. La vidéo présente le prochain didacticiel, qui couvrira la conversion d'un modèle Python en TensorFlow.

• 00:00:00 Dans cette section, le présentateur montre comment télécharger le modèle manuscrit MNIST à partir du zoo de modèles ONNX et effectuer une inférence au-dessus de l'environnement d'exécution ONNX. L'utilisateur doit créer un environnement virtuel et installer les packages requis tels que ONNX Runtime, OpenCV et NumPy. Le présentateur montre ensuite comment télécharger le modèle directement depuis le zoo de modèles ONNX ou en copiant le lien vers le site Web CNTK.ai. Une fois le modèle téléchargé, le présentateur explique comment écrire un script Python pour l'inférence, y compris le chargement du modèle ONNX, le prétraitement de l'image et l'exécution de la session pour obtenir la sortie. Enfin, le présentateur affiche la prédiction en peignant les résultats en fonction de l'opération argmax.
  
  
• 00:05:00 Dans cette section, l'orateur discute de l'inférence avec des modèles ONNX utilisant le runtime ONNX. Ils démontrent l'utilisation d'un modèle ONNX pré-formé pour prédire les chiffres manuscrits et montrent que le temps de prédiction est assez rapide. L'orateur mentionne également que les utilisateurs peuvent télécharger des modèles à partir du zoo de modèles ONNX et commencer à inférer sans avoir besoin de les convertir. Ils taquinent la vidéo suivante, où ils prévoient de convertir un modèle Python en TensorFlow, donnant aux utilisateurs une compréhension plus approfondie du processus de conversion de modèle.

[MetaQuotes]

Démo de PyTorch à Tensorflow | Tutoriel-11 | Échange de réseau neuronal ouvert | ONNX

Démo de PyTorch à Tensorflow | Tutoriel-11 | Échange de réseau neuronal ouvert | ONNX

La vidéo montre comment utiliser ONNX pour convertir un modèle PyTorch au format TensorFlow. Le processus consiste à former le modèle dans PyTorch, à l'enregistrer au format .pth, puis à le convertir au format ONNX avant de le convertir finalement au format TensorFlow. Le processus de conversion est illustré en détail grâce à l'utilisation d'un modèle de classification des chiffres manuscrits utilisant l'ensemble de données MNIST, et le modèle TensorFlow résultant est testé avec des exemples d'images. La vidéo aborde également brièvement la conversion d'un modèle de Caffe2 en ONNX et suggère aux utilisateurs d'explorer davantage ONNX.

• 00:00:00 Dans cette section de la vidéo, l'intervenant montre comment convertir un modèle Python en TensorFlow à l'aide d'ONNX. Ils expliquent que lors de la conversion de modèles, il y a deux étapes à suivre : premièrement, entraînez le modèle dans le cadre souhaité, puis convertissez-le au format de fichier ONNX. À partir de là, il peut être converti au format souhaité, tel que TensorFlow ou PyTorch. L'orateur montre ensuite comment utiliser les packages ONNX et TensorFlow pour convertir un modèle de classification de chiffres manuscrits de PyTorch en TensorFlow à l'aide de l'ensemble de données MNIST. Ils expliquent chaque étape du processus, y compris l'installation des packages nécessaires, l'importation de bibliothèques, la définition du modèle et la création de formations et de tests.
  les fonctions. Le code du bloc-notes est fourni dans la section des ressources pour que les utilisateurs puissent suivre.
  
  
• 00:05:00 Dans cette section de la vidéo, le présentateur entraîne un modèle PyTorch et l'enregistre au format de fichier .pth. Ensuite, le modèle est chargé et converti au format de fichier ONNX. Le modèle ONNX converti est ensuite chargé dans TensorFlow pour tester sa fonctionnalité sur des images three.png et seven.png. Le modèle prédit les valeurs correctes pour les deux images. Enfin, le modèle ONNX est converti en modèle TensorFlow et enregistré dans un format de fichier .pb, qui peut être utilisé pour d'autres prédictions. Dans l'ensemble, le présentateur montre comment convertir des modèles PyTorch en modèles TensorFlow à l'aide d'ONNX.
  
  
• 00:10:00 Dans cette section de la vidéo, l'orateur explique comment convertir son modèle d'un modèle caffe2 en ONNX. L'orateur a donné un lien vers le cahier où le code est déjà écrit et tous les packages requis sont disponibles. L'orateur explique que toutes les conversions possibles, telles que PyTorch vers ONNX, PyTorch vers Caffe2 et TensorFlow vers ONNX, sont disponibles sur l'ordinateur portable. L'orateur conseille aux téléspectateurs d'explorer davantage ONNX et d'essayer des exemples en temps réel pour une meilleure expérience d'apprentissage. Enfin, l'orateur termine la vidéo et remercie les téléspectateurs d'avoir regardé la série.