Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
ONNX ve DJL kullanarak JVM'de milyarlarca NLP Çıkarımı
ONNX ve DJL kullanarak JVM'de milyarlarca NLP Çıkarımı
Bir medya istihbarat şirketinin CTO'su, çeşitli kullanım durumları için medya ortamını araştırmak amacıyla makine öğrenimi ardışık düzeninde NLP tokenizasyonu için JVM ve DJL ve Hugging Face'i nasıl kullandıklarını tartışıyor. Ürün özellikleri buna doğru yöneldikçe, makine öğrenimi ve modelleme sistemleri, CPU'nun artık yeterli olamayacağı bir ölçeğe ulaştıklarından, her şeyi çalışır durumda tutmak için temel parçalar haline geldi. 32 bit kayan noktalı modelden 16 bit'e geçtiler, bu da etkinlikte %3'lük bir artışa yol açtı, ancak işlem sırasında dönüştürme hataları ve nadir bellek sızıntılarıyla karşılaştılar ve birkaç uygulamayı değiştirerek çözdüler. GPU destekli CI ekleyerek ve çeşitli çıkarımların gecikmesini ve tokenizasyon gecikmesini izleyen gelişmiş bir Prometheus mantık yığını kurarak sağlamlığa yatırım yaptılar. Gelecek planları arasında GPU verimliliğini artırmak ve çoklu GPU kurulumu oluşturarak sisteme daha fazla model eklemek yer alıyor.
ONNX ve JVM
ONNX ve JVM
Java Virtual Machine (JVM) üzerindeki ONNX desteği, ML modelleri neredeyse her uygulamada daha belirgin hale geldiğinden çok önemlidir. Java, canlı yazılım uygulamaları oluşturmak için kullanılan en büyük platformlardan biri olduğundan, Java veya C# gibi programlama dillerinde destek sağlamak önemlidir. Oracle, Java'da ONNX çalışma zamanı C API'sini sağlamayı ve C API üzerinden ince bir Java API katmanı kullanarak minimum performans etkisi ile kolay devreye almayı sağlamayı amaçlamaktadır. Konuşmacı ayrıca Java'dan ONNX modelleri yazmak için açık kaynaklı bir kitaplıktan bahsediyor, bir lojistik regresyon grafiği örneği sunuyor ve ONNX meta veri formatında standardizasyon eksikliğini tartışırken Trippo'daki ONNX dışa aktarma öğelerine katkıda bulunmaya davet ediyor.
DJL ve ONNX Runtime ile yüksek performanslı model çıkarım çözümünüzü oluşturun
DJL ve ONNX Runtime ile yüksek performanslı model çıkarım çözümünüzü oluşturun
Deep Java Library (DJL), derin öğrenme kitaplıklarını soyutlayan ve Apache MXNet, TensorFlow ve PyTorch gibi çoklu arka uçlar sunan, Java üzerinde oluşturulmuş bir makine öğrenimi kitaplığıdır. Kitaplık, çeşitli görevler için önceden eğitilmiş bir dizi modele sahiptir ve bellek kullanımı üzerinde kontrole sahipken en yüksek performansı sağlamak için zorlu testlerden geçirilerek hizmete hazırdır. Konuşmacılar ayrıca her iki motoru birlikte yükleyen hibrit motor konseptini tanıtarak çıkarım için motorlar arasında daha yumuşak bir geçiş sunar. Diğer geliştirmeler arasında ARM sunucularının desteklenmesi, Android cihazlarda ONNX Runtime'ın çalıştırılması ve hibrit motor çözümünün uç cihazlara getirilmesi yer alıyor.
[FlexFlow Bootcamp 2020] FlexFlow Ön Uç Destekleri: TensorFlow Keras, PyTorch, ONNX ve daha fazlası
[FlexFlow Bootcamp 2020] FlexFlow Ön Uç Destekleri: TensorFlow Keras, PyTorch, ONNX ve daha fazlası
Videonun bu bölümünde konuşmacı, TensorFlow Keras, PyTorch ve ONNX'i destekleyen FlexFlow Python API'yi tartışıyor. Bir model oluşturma ve eğitme süreci, modele operatörler eklemeyi, modeli derlemeyi, veri yükleyicileri oluşturmayı ve uygun işlevi veya özelleştirilmiş eğitim prosedürlerini kullanarak modeli başlatmayı/eğitmeyi içerir. Konuşmacılar ayrıca FlexFlow'daki Keras ve PyTorch modellerine yönelik desteğin yanı sıra ONNX ara temsili aracılığıyla önceden var olan modelleri içe aktarma becerisini tartışıyor. Ancak, FlexFlow'u oluşturmak için kullanılan kitaplık ile ONNX python paketini oluşturmak için kullanılan kitaplık arasında tutarlılığın sağlanması önemlidir.
.NET, PyTorch ve ONNX Çalışma Zamanı ile Makine Öğrenimini Öğrenmek
.NET, PyTorch ve ONNX Çalışma Zamanı ile Makine Öğrenimini Öğrenmek
.NET, PyTorch ve ONNX Runtime ile makine öğrenimini öğrenme hakkındaki bu videoda, konuşmacılar ONNX Runtime'ı tanıtıyor ve bir makine öğrenimi modelini eğitmek için farklı adımları açıklıyor. Ayrıca, derin öğrenme için ONNX formatının .NET ile nasıl kullanılacağını gösteriyorlar ve doğru model tahminleri için hiperparametreleri ve optimizasyon yöntemini anlamanın önemini tartışıyorlar. Konuşmacılar ayrıca bir modeli yüklemek ve tahminlerde bulunmak için ONNX çalışma zamanının nasıl kullanılacağını ve ayrıca bir oturum çalıştırılırken bir try bloğu ile olası hataların nasıl ele alınacağını gösterir. Ek olarak, yapay zekanın tahminlerindeki belirsizliğini göstermek için emin olmama vektörünün kullanımını tartışıyorlar ve dolandırıcılık tespit ve öneri sistemleri gibi yapay zekanın kullanıldığı bazı sektörlerden bahsediyorlar.
ML.NET'te ONNX Modeli Nasıl Okunur ve Yazılır
ML.NET'te ONNX Modeli Nasıl Okunur ve Yazılır
Video, Microsoft ve Facebook tarafından oluşturulan ve farklı çerçeveler arasında makine öğrenimi modellerinin değiş tokuşuna izin veren açık bir format olan ONNX'i tanıtarak başlıyor. Sunucu, açık kaynaklı ve platformlar arası bir makine öğrenimi kitaplığı olan ML.NET'in ONNX modellerini nasıl desteklediğini açıklıyor. Ardından video, ONNX Çalışma Zamanı paketini kullanarak bir ML.NET modelinin nasıl oluşturulacağını ve bir ONNX dosyasına aktarılacağını göstermeye devam eder. ONNX modeli oluşturulduktan sonra video, ML.NET'teki yeni veriler üzerinde tahminler yapmak için modelin nasıl kullanılacağını açıklar. Genel olarak video, makine öğrenimi uygulamaları için ONNX modellerinin ML.NET ile nasıl kullanılacağına ilişkin kapsamlı bir kılavuz sağlar.
ONNX Kullanarak scikit-learn ML Modellerini ML.NET ile Entegre Etme - Pratik ML.NET Kullanıcı Grubu 18.02.2022
ONNX Kullanarak scikit-learn ML Modellerini ML.NET ile Entegre Etme - Pratik ML.NET Kullanıcı Grubu 18.02.2022
Bu videoda konuşmacı, Scikit-learn makine öğrenimi modellerinin ONNX kullanarak .NET ekosistemiyle entegrasyonunu tartışıyor. İstemci sistemleri için makine öğrenimi modellerinin nasıl oluşturulacağına, dağıtılacağına ve test edileceğine ilişkin pratik bir örnek olarak dijital pazarlama alanında müşteri adayı puanlamasını kullanıyorlar. Sunum yapan kişi müşteri adayı puanlama sürecini açıklıyor ve pazarlama ve satış ekiplerinin verimliliğini en üst düzeye çıkaran otomatik bir araç oluşturmanın önemini vurguluyor. Konuşmacı, istemci sistemler için makine öğrenimi modellerini dağıtmanın zorluğunu tartışıyor ve bir çözüm olarak ONNX'i tanıtıyor. Scikit-learn ML modellerini ONNX kullanarak ML.NET ile entegre etmek için kullanılan araçlara, paketlere ve tekniklere genel bir bakış sağlarlar. Konuşmacı, bir lojistik regresyon modelinin nasıl oluşturulacağını ve seri hale getirileceğini, ONNX biçimine dönüştürüleceğini ve ONNX modelinin Azure İşlevleri kullanılarak .NET ekosistemiyle tümleştirilmeden önce nasıl çalıştırılacağını gösterir. Genel olarak bu video, Scikit-learn ML modellerini ONNX kullanarak .NET ekosistemiyle entegre etmek isteyen geliştiriciler için pratik bir kılavuz görevi görür.
Bu Pratik ML.NET Kullanıcı Grubu oturumunda sunum yapan kişi, Dot Net ekosistemine dahil edilebilecek bir öncü puanlama ONNX modeli oluşturmak için ONNX biçiminin kullanımını gösterir. Uygulama, ML.NET ile paralel olarak kullanılabilir ve ML.NET kullanarak makine öğrenimi gerçekleştirirken ONNX çalışma zamanı kullanılarak ONNX modellerinin yürütülmesine olanak tanır. Sunucu, ONNX modelini oluşturmak için kullanılan teknikleri, kitaplıkları ve adım adım talimatları içeren bir GitHub deposunu paylaşır. ONNX biçiminin kullanılması, platformlar arası bir çalışma zamanı motoruna olanak tanır ve veri bilimcileri ile uygulama geliştiricileri arasındaki boşluğu doldurmaya yardımcı olur. Oturumun değeri, diğer algoritmalarla birlikte kullanılabilen bir kavram kanıtı sisteminin pratik uygulamasında yatmaktadır.
ONNX ve .NET ile makine öğrenimi modelleri | .NET Yapılandırması 2022
ONNX ve .NET ile makine öğrenimi modelleri | .NET Yapılandırması 2022
.NET Conf 2022'den "ONNX ve .NET ile makine öğrenimi modelleri" videosu, izleyicilere derin öğrenme ile geleneksel programlama arasındaki fark da dahil olmak üzere yapay zeka ve makine öğrenimi kavramlarını tanıtıyor. Sunum yapan kişiler, Azure Machine Learning, PyTorch ve ONNX'e genel bir bakış sunar ve ONNX ve .NET ile makine öğrenimi modellerini eğitmek için Azure Machine Learning kullanılarak bir işlem hattının nasıl oluşturulacağını gösterir. Ayrıca bir makine öğrenimi modelinin bir .NET Maui uygulamasına nasıl entegre edileceğini açıklar ve mobil cihazlar için ONNX modellerinin boyutunu küçültme tekniklerini tartışırlar. Bölüm, erişilebilirliği tartışacak olan sonraki konuşmacı Rory'nin tanıtılmasıyla sona erer.
.NET Live'da - Makine öğrenimi modellerinin ONNX, C# .... ve Pokemon ile çalıştırılması!
.NET Live'da - Makine öğrenimi modellerinin ONNX, C# .... ve Pokemon ile çalıştırılması!
Bu On.NET Live videosunda sunucular, makine öğrenimi modellerini ONNX ile çalıştırmayı tartışıyor ve Cassie Kozyrkov'u özel konuk olarak getiriyor. Kozyrkov, akıl hocalığının önemini vurguluyor ve ONNX'i veri bilimcileri ile yazılım mühendisleri arasındaki boşluğu doldurmanın bir yolu olarak kullanmayı tartışıyor. Konuşma, doğal dil işlemeyi kullanarak bir makine öğrenimi modeli oluşturma ve veri dönüştürmenin öneminden, görünmeyen verilerle test etmeye ve modeli Azure İşlevleri aracılığıyla dağıtmaya kadar çeşitli konuları kapsar. Konuşmacılar ayrıca ONNX ve makine öğrenimi modellerini daha kapsamlı bir şekilde keşfetmekle ilgilenenler için Azure Machine Learning ve mevcut kaynakları tartışıyor.
On.NET Live videosu, makine öğrenimi modellerinin ONNX, C# ve (eğlence için) Pokemon ile çalıştırılmasını tartışır. İlk sunum yapan kişi, modellerin farklı çerçevelerde kaydedilmesine ve yüklenmesine olanak tanıyan bir makine öğrenimi formatı olan ONNX'ten ve .NET kullanılarak modellerin nasıl çalıştırılacağından bahsediyor. İkinci sunum yapan kişi, bir Pokemon görüntü sınıflandırıcısı oluşturmak için ML.NET'i kullanmayı tartışır ve dağıtım için nasıl çalıştırılabileceğini gösterir. Genel olarak video, makine öğrenimi modellerini ONNX ve C# ile çalıştırmaya ilişkin harika bir genel bakış sunar.
Machine Learning Community Standup - PyTorch ONNX ile Derin Öğrenme
Machine Learning Community Standup - PyTorch ve ONNX ile Derin Öğrenme
"Machine Learning Community Standup - PyTorch ve ONNX ile Derin Öğrenme" videosu, makine öğrenimi, PyTorch ve ONNX ile ilgili çeşitli konuları kapsar. Bir bölüm, aşırı uydurmayı ve bırakma ve çapraz doğrulama kullanarak sinir ağlarında bunun nasıl önleneceğini kapsar. Toplantı sahipleri ayrıca çeşitli topluluk tabanlı makine öğrenimi projelerini ve .NET'i makine öğrenimi ile kullanma konusundaki yaklaşan etkinliklerini vurguluyor. Videoda ayrıca, torç görüşü ve dönüştürmeler gibi çeşitli yerleşik modüllere sahip, bilgisayar görüşü ve doğal dil işleme için kullanılan popüler bir makine öğrenimi kitaplığı olan PyTorch tanıtılıyor. Konuşmacılar, makine öğrenimi modellerini temsil etmek için ONNX biçimini ve birden çok dilde çıkarım ve eğitim çalıştırmak için çalışma zamanını açıklıyor. Öğretici ayrıca PyTorch'un model hayvanat bahçesinde önceden oluşturulmuş modellerin nasıl kullanılacağını tartışır ve Jupyter Notebooks ve Anaconda kullanarak Python paketlerinde ve ortamlarında hata ayıklamayı ve yönetmeyi kapsar. Ek olarak, öğretici, modellerin performansını artırmak için ONNX çalışma zamanı ile kullanılabilen ONNX kullanarak bir PyTorch modelinin eğitiminin ve dışa aktarılmasının ayrıntılarını kapsar.
Video ayrıca makine öğrenimi ve derin öğrenme ile ilgili çeşitli konuları da tartışıyor. Konuşmacılar, Xamarin'de görüntü işleme için SkiaSharp'ı kullanma ve cihaz üstü modellerin boyutları nedeniyle sınırlamaları hakkında konuşuyor, ancak cihaz üstü modellere sahip olmanın avantajlarına dikkat çekiyor. Ayrıca makine öğrenimi teorisini öğrenmek için Andrew Ng Coursera sınıfı gibi çeşitli kaynaklar ve makine öğrenimi modelleri oluşturmak için araçları ve kitaplıkları kullanma hakkında üst düzey bilgiler veren uygulamalı bir makine öğrenimi sınıfı önerirler. Makine öğrenimini öğrenirken bir hedefe sahip olmanın ve öğrenimi kişinin işine dahil etmenin öneminden de bahsediliyor. Son olarak, konuşmacı dinleyicilerin ilgisini çekebilecek yaklaşan içerik hakkında ipuçları verir.