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
Derin Öğrenmedeki Zorluklar | Öğretici-2 | Açık Sinir Ağı Değişimi | ONNX
Derin Öğrenmedeki Zorluklar | Öğretici-2 | Açık Sinir Ağı Değişimi | ONNX
Çıkarım sırasında farklı derin öğrenme çerçeveleri ve donanım hızlandırıcıları kullanmanın zorlukları bu video bölümünde tartışılmaktadır. ONNX, çeşitli derin öğrenme çerçeveleri ve donanım hızlandırıcıları ile uyumlu, aralarında modellerin sorunsuz aktarımına izin veren bir aracı model türü olarak sunulur. ONNX modellerini gerektiğinde belirli çerçevelere dönüştürmek, farklı sistemlerde eğitimli modeller kullanırken daha fazla esneklik sağlar. Bu zorlukları ve çözümleri anlamak, derin öğrenme ile çalışmak için etkili bir boru hattı oluşturmaya yardımcı olabilir.
ONNX hakkında her şey | Öğretici-3 | Açık Sinir Ağı Değişimi | ONNX
ONNX hakkında her şey | Öğretici-3 | Açık Sinir Ağı Değişimi | ONNX
Video, modellerin farklı çerçeve modeli türlerine dönüştürülmesine izin veren ve optimizasyon yetenekleri sağlayan bir aracı makine öğrenimi çerçevesi olan ONNX'i tartışıyor. İlk olarak 2017'de AWS, Microsoft ve Facebook tarafından tanıtılan ONNX, IBM, Intel ve Huawei dahil olmak üzere diğer şirketlerden popülerlik ve katkılar kazandı. Birçok şirket şu anda kendilerini ONNX ekosistemi üzerinde çalışmaya adamıştır.
Tasarım ilkeleri | Öğretici-4 | Açık Sinir Ağı Değişimi | ONNX
Tasarım ilkeleri | Öğretici-4 | Açık Sinir Ağı Değişimi | ONNX
Bu videoda konuşmacı, Açık Sinir Ağı Değişiminin (ONNX) tasarım ilkelerini açıklıyor. Başlangıçta derin öğrenme için geliştirilen ekosistem, geleneksel makine öğrenimini de destekleyecek şekilde genişledi. ONNX, diğer çerçevelerden gelen güncellemelerle uyarlanabilir, pratik uygulamalardan iyi tanımlanmış işlemlerle standartlaştırılmıştır ve modelleri kolaylıkla dışa/içe aktarabilir. Bu özellikler, onu esnek ve verimli bir çözüm arayan son kullanıcılar için uygun bir seçim haline getirir.
ONNX dosya formatı | Öğretici-5 | Açık Sinir Ağı Değişimi | ONNX
ONNX dosya formatı | Öğretici-5 | Açık Sinir Ağı Değişimi | ONNX
Bu öğretici video, giriş ve çıkış listelerini, hesaplamalı düğümleri ve operatörleri ve operatör parametrelerinin yanı sıra modelin meta verilerini ve sürümünü içeren makine öğrenimi modelleri için ONNX dosya formatını kapsar. ONNX dosya formatı bir kara kutu değildir ve görselleştirilebilir. Konuşmacı, ReLU ve PReLU gibi operatörlere örnekler verir ve bir derin öğrenme modeli grafiği gösterir ve onu ONNX dosya biçimi grafiğiyle karşılaştırır. Özel operatörler ayrıca ONNX kullanılarak eşlenebilir, bu da onu esnekliği ve işlevselliği nedeniyle sinir ağları için popüler bir seçim haline getirir.
ONNX Veri Türü | Öğretici-6 | Açık Sinir Ağı Değişimi | ONNX
ONNX Veri Türü | Öğretici-6 | Açık Sinir Ağı Değişimi | ONNX
Video, ONNX'in iki tür özelliği olduğunu açıklıyor: derin sinir ağları ve makine öğrenimi. İlki, Python ve TensorFlow'da da kullanılan tamsayılar, değişkenler, boolean'lar, diziler ve karmaşık türler gibi tensör veri türlerini kullanır. Bu arada, ikincisi, tipik olarak tensörleri kullanmayan istatistiksel tabanlı öğrenme nedeniyle diziler ve haritalar gibi tensör olmayan veri türlerini kullanır.
Makine Öğrenimi Örneği | Öğretici-7 | Açık Sinir Ağı Değişimi | ONNX
Makine Öğrenimi Örneği | Öğretici-7 | Açık Sinir Ağı Değişimi | ONNX
Bu video eğitimi, ONNX kullanan makine öğreniminin pratik bir örneği için turşu biçiminde kaydedilen bir modelin Açık Sinir Ağı Değişimi (ONNX) model dosya biçimine nasıl dönüştürüleceğini açıklar. Video, gerekli paketleri belirten bir gereksinim dosyası sağlar ve konuşmacı, skl2onnx paketini kullanarak ONNX biçimine dönüştürmeden önce modeli içe aktarmak, bölmek ve eğitmek için basit bir kod verir. Bir dönüştürme komut dosyası sağlanır ve elde edilen grafiğin Netron aracıyla görselleştirilmesi ve ONNX modelinde çıkarım yapılması için talimatlar paylaşılır. Konuşmacı, ONNX formatının taşınabilirliğini ve optimizasyonunu vurgular ve dönüştürme süreciyle pratik yapmayı teşvik eder.
ONNX Çalışma Zamanı | Öğretici-8 | Açık Sinir Ağı Değişimi | ONNX
ONNX Çalışma Zamanı | Öğretici-8 | Açık Sinir Ağı Değişimi | ONNX
Konuşmacı, ONNX çalışma zamanını ve bunun derin öğrenmedeki önemini tartışıyor. ONNX Runtime, Microsoft tarafından kurulmuş, hızlı ve yüksek performanslı bir motordur. Açık kaynaklı ve Windows 10 ile birlikte gelen genişletilebilir ve modüler bir çerçevedir. Microsoft, gecikme yapabilen varsayılan çalışma zamanının aksine derin öğrenme için hızlı ve verimli olduğu için bu çalışma zamanını tercih ediyor. Ek olarak, ONNX çalışma zamanı diyagramı, ONNX Çalışma Zamanının mevcut bir modeli ONNX dosya formatına dönüştürmek için nasıl kullanıldığını ve ardından ONNX çalışma zamanının, donanım veya çerçeve hakkında endişelenmeden modeli yürütmek için nasıl kullanıldığını gösterir. Konuşmacı, izleyicilerin ONNX'in resmi GitHub'ında ONNX çalışma zamanına derinlemesine dalabileceklerini öne sürüyor.ONNX Modeli Hayvanat Bahçesi | Öğretici-9 | Açık Sinir Ağı Değişimi | ONNX
ONNX Modeli Hayvanat Bahçesi | Öğretici-9 | Açık Sinir Ağı Değişimi | ONNX
ONNX Model Hayvanat Bahçesi, görüntü sınıflandırma, nesne algılama ve konuşma ve ses işleme gibi farklı görevler için önceden eğitilmiş modellerden oluşan bir koleksiyondur. Önceden eğitilmiş modeller, ONNX dosyaları olarak indirilebilir ve çıkarım için herhangi bir çerçeve veya ONNX çalışma zamanı ile kullanılabilir. Ek olarak, Azure ML gibi bulut platformları, kullanıcıların kendi verilerini yükleyebilecekleri ve modelleri ONNX dosyaları olarak indirecek şekilde eğitebilecekleri benzer işlevler sunar. Bir sonraki video, el yazısı rakam tanıma için ONNX Model Hayvanat Bahçesi'nden önceden eğitilmiş bir modelin nasıl kullanılacağını gösterecek.
ONNX Model Hayvanat Bahçesi Demosu | Öğretici-10 | Açık Sinir Ağı Değişimi | ONNX
ONNX Model Hayvanat Bahçesi Demosu | Öğretici-10 | Açık Sinir Ağı Değişimi | ONNX
Eğitim videosu, ONNX çalışma zamanını kullanarak bir ONNX modelinde çıkarım yapmak için ONNX Model Zoo'nun nasıl kullanılacağını gösterir. Sunum yapan kişi, izleyicilere sanal bir ortam oluşturma, gerekli paketleri kurma, MNIST el yazısı modelini ONNX Model Hayvanat Bahçesi'nden indirme ve çıkarım için bir Python betiği yazma sürecinde rehberlik eder. Demo, tahmin süresinin hızlı olduğunu gösteriyor ve kullanıcıları modelleri doğrudan ONNX Model Hayvanat Bahçesi'nden indirmeye teşvik ediyor. Video, bir Python modelini TensorFlow'a dönüştürmeyi kapsayacak bir sonraki öğreticiyi anlatıyor.
PyTorch'tan Tensorflow Demosuna | Öğretici-11 | Açık Sinir Ağı Değişimi | ONNX
PyTorch'tan Tensorflow Demosuna | Öğretici-11 | Açık Sinir Ağı Değişimi | ONNX
Video, bir PyTorch modelini TensorFlow formatına dönüştürmek için ONNX'in nasıl kullanılacağını gösterir. Süreç, modeli PyTorch'ta eğitmeyi, .pth biçiminde kaydetmeyi ve son olarak TensorFlow biçimine dönüştürmeden önce ONNX biçimine dönüştürmeyi içerir. Dönüştürme işlemi, MNIST veri kümesi kullanılarak el yazısıyla yazılmış bir rakam sınıflandırma modeli kullanılarak ayrıntılı olarak gösterilir ve ortaya çıkan TensorFlow modeli, örnek görüntülerle test edilir. Video ayrıca bir modelin Caffe2'den ONNX'e dönüştürülmesine kısaca değiniyor ve kullanıcıların ONNX'i daha fazla keşfetmesini öneriyor.fonksiyonlar. Not defteri kodu, kullanıcıların takip etmesi için kaynaklar bölümünde sağlanır.