机器/深度学习TensorFlow.NET、Advisor、nauta、TF-Ranking介绍

以下为你介绍的机器学习/深度学习软件都可用在Linux系统上:TensorFlow.NET(TensorFlow 的 .NET 标准绑定)、Advisor(超参数调整系统)、nauta(多用户、分布式的深度学习平台)、TF-Ranking(排序学习的可扩展 TensorFlow 库)。

1、TensorFlow.NET(TensorFlow 的 .NET 标准绑定)

机器/深度学习TensorFlow.NET、Advisor、nauta、TF-Ranking介绍

TensorFlow.NET 为 TensorFlow 提供 .NET 标准绑定。TensorFlow.NET 是 SciSharp 的一个成员项目。

示例代码:

using Tensorflow;

// Create a Constant op

var a = tf.constant(4.0f);

var b = tf.constant(5.0f);

var c = tf.add(a, b);

using (var sess = tf.Session())

{

var o = sess.run(c);

}

// Create a placeholder op

var a = tf.placeholder(tf.float32);

var b = tf.placeholder(tf.float32);

var c = tf.add(a, b);

using(var sess = tf.Session())

{

var feed_dict = new Dictionary<Tensor, object>();

feed_dict.Add(a, 3.0f);

feed_dict.Add(b, 2.0f);

var o = sess.run(c, feed_dict);

}

使用:

通过NuGet安装TF.NET和TensorFlow二进制文件:

### 安装tensorflow C# binding

PM> Install-Package TensorFlow.NET

### 安装tensorflow二进制文件

### 对于CPU版本

PM> Install-Package SciSharp.TensorFlow.Redist

### 对于GPU版本(需要CUDA和cuDNN)

PM> Install-Package SciSharp.TensorFlow.Redist-Windows-GPU

在您的项目中导入TF.NET:

using static Tensorflow.Binding;

贡献者的Git诀窍:

将SciSharp/TensorFlow.NET作为上游添加到本地仓库:

git remote add upstream git@github.com:SciSharp/TensorFlow.NET.git

请确保定期保持最新状态:

git pull upstream master

下载地址:https://github.com/SciSharp/TensorFlow.NET

2、Advisor(超参数调整系统)

机器/深度学习TensorFlow.NET、Advisor、nauta、TF-Ranking介绍

Advisor是用于黑盒优化的超参数调整系统。它是具有这些功能的Google Vizier的开源实现。

易于使用API,SDK,WEB和CLI。

支持研究和试验的抽象。

包括搜索和早期停止算法。

用经过训练的模型推荐参数。

与Google Vizier相同的编程接口。

命令行工具就像Microsoft NNI一样。

支持的算法:

[x]网格搜索

[x]随机搜索

[x]贝叶斯优化

[x] TPE(Hyperopt)

[x]随机搜索(Hyperopt)

[x]模拟退火(Hyperopt)

[x]准随机(巧克力色)

[x]网格搜索(巧克力)

[x]随机搜索(巧克力)

[x]贝叶斯(巧克力)

[x] CMAES(巧克力)

[x] MOCMAES(巧克力色)

[] SMAC算法

[x]早期停止初审算法

[x]早期停止下降算法

[]性能曲线停止算法

快速开始:

在本地计算机上设置advisor service很容易:

pip install advisor

advisor_admin server start

然后在浏览器中转到http://127.0.0.1:8000并提交调整作业:

git clone --depth 1 https://github.com/tobegit3hub/advisor.git && cd ./advisor/

advisor run -f ./advisor_client/examples/python_function/config.json

advisor study describe -s demo

下载地址:https://github.com/tobegit3hub/advisor

3、nauta(多用户、分布式的深度学习平台)

机器/深度学习TensorFlow.NET、Advisor、nauta、TF-Ranking介绍

这是一个使用 Kubernetes 或 Docker 分布在多个服务器上的深度学习平台。

该平台可以使用 MXNet、TensorFlow和PyTorch 等许多流行的机器学习框架,并使用可以与 Intel 的 Xeon CPU 集群协同工作的处理系统,深度学习实验的结果可以使用 TensorBoard、命令行代码或 Nauta Web 用户界面看到。

Nauta 是一个企业级的堆栈,用于需要运行深度学习工作负载来培训将部署到生产环境中的模型的团队。使用 Nauta,用户可以在单个或多个工作节点上使用 Kubernetes 定义和安排容器化深度学习实验,并检查这些实验的状态和结果,以进一步调整和运行其他实验,或准备训练模型进行部署。

Nauta 是最新发布的可以使用 Kubernetes 或 Docker 容器的工具,这种方法允许从业人员在通过内部服务器部署人工智能和在云中部署人工智能之间进行选择。

下载地址:https://github.com/intelAI/Nauta

4、TF-Ranking(排序学习的可扩展 TensorFlow 库)

谷歌 AI 发布了最新成果 TF-Ranking,它是一个专门针对排序学习(learning-to-rank)应用的可扩展 TensorFlow 库。TF-Ranking 快速且易用,并能创建高质量的排序模型,对构建 web 搜索或新闻推荐等基于真实世界数据的排序系统感兴趣的人,都可以将 TF-Ranking 作为强稳的、可扩展的解决方案。

TF-Ranking 提供了一个统一的框架,该框架包括一套最先进的排序学习算法,并且支持 Pairwise 和 Listwise 损失函数、多项目评分、排序度量优化和无偏见排序等等。

TF-Ranking 快速且易用,并能创建高质量的排序模型。该统一框架让机器学习研究人员、实践者和爱好者能够在单个库中评估和选择一系列不同的排序模型。此外,谷歌 AI 团队坚信一个有用的开源库,它的关键不仅在于提供合理的默认值(sensible default),而且还在于能够授权用户开发自定义模型。为此,他们提供了灵活的 API,让用户可以在 API 中定义和插入自定义的损失函数、评分函数和指标。

稳定的构建:

要从PyPI安装最新版本,请运行以下命令:

#使用`--upgrade`参数进行安装可确保您获得最新版本。

pip install --user --upgrade tensorflow_ranking

要强制执行特定于Python 3的安装,请在上述命令中将pip替换为pip3。

注意:由于现在包含TensorFlow作为TensorFlow排名软件包的依赖项(在setup.py中)。如果您想使用不同版本的TensorFlow(例如tensorflow-gpu),则可能需要卸载现有版本,然后安装所需版本:

$ pip uninstall tensorflow

$ pip install tensorflow-gpu

下载地址:https://github.com/tensorflow/ranking

注明

以上就是机器/深度学习TensorFlow.NET、Advisor、nauta、TF-Ranking的介绍内容,这些机器学习/深度学习软件都能使用在Linux操作系统中。

栏目相关文章