机器/深度学习phpword2vec、VisualDL、TensorFlow.js、Tacotron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:phpword2vec(PHP 调用 word2vec 实现机器学习)、VisualDL(跨框架深度学习可视化框架)、TensorFlow.js(在浏览器中训练和部署 ML 模型)、Tacotron(使用 TensorFlow 实现文字转语音)。

1、phpword2vec(PHP 调用 word2vec 实现机器学习)

phpword2vec-php调用word2vec实现机器学习。

使用方法:

1]、执行make进行编译。

2]、执行phpphpword2vec.php可以得到当前关键词的文档向量(该工具是把300维向量转化文档向量的工具)。

3]、php直接调用然后可以进行svm等分类操作。

4]、该工具在已经有训练数据后调用。

下载地址:https://gitee.com/qieangel2013/phpword2vec

2、VisualDL(跨框架深度学习可视化框架)

VisualDL,即 Visualize the Deep Learning,是一个面向深度学习任务设计的可视化工具,包含了 scalar、参数分布、模型结构、图像可视化等功能,项目正处于高速迭代中,新的组件会不断加入。

目前大多数 DNN 平台均使用 Python 作为配置语言,VisualDL 原生支持 Python 的使用,通过在模型的 Python 配置中添加几行,便可以为训练过程提供丰富的可视化支持。

除了 Python SDK 之外,VisualDL 底层采用 C++ 编写,其暴露的 C++ SDK 也可以集成到其他平台中, 实现原生的性能和定制效果。

组件:

VisualDL 目前支持4种组件:

graph、scalar、image、histogram。

graph:

兼容 ONNX(Open Neural Network Exchange),通过与 python SDK的结合,VisualDL 可以兼容包括 PaddlePaddle、pytorch、mxnet 在内的大部分主流 DNN 平台。

机器/深度学习phpword2vec、VisualDL、TensorFlow.js、Tacotron介绍

scalar:

可以用于展示训练测试的误差趋势:

机器/深度学习phpword2vec、VisualDL、TensorFlow.js、Tacotron介绍

image:

可以用于可视化任何tensor,或模型生成的图片:

机器/深度学习phpword2vec、VisualDL、TensorFlow.js、Tacotron介绍

histogram:

用于可视化任何 tensor 中元素分布的变化趋势:

机器/深度学习phpword2vec、VisualDL、TensorFlow.js、Tacotron介绍

快速开始:

要对VisualDL进行快速测试,请使用以下命令。

安装VisualDL,最好在虚拟环境下:

pip install --upgrade visualdl

运行一个演示,vdl_create_scratch_log将创建测试日志:

vdl_create_scratch_log

visualdl --logdir=scratch_log --port=8080

访问http://127.0.0.1:8080。

如果遇到错误TypeError: __init__() got an unexpected keyword argument 'file',这是由于protobuf版本不是3.5+,只需运行pip install --upgrade protobuf即可解决此问题。

如果您在上述步骤中遇到其他任何问题,则可能是由不同的python或pip版本的环境问题引起的错误。

下载地址:https://github.com/PaddlePaddle/VisualDL

3、TensorFlow.js(在浏览器中训练和部署 ML 模型)

TensorFlow.js 是一个开源硬件加速 JavaScript 库,用于训练和部署机器学习模型。

TensorFlow.js 可用于:

1]、在浏览器中创建模型

TensorFlow.js 的 API 灵活且直观,可以使用低级的 JavaScript 线性代数库和高级图层 API 在浏览器中定义、训练和运行完整的机器学习模型。

2]、运行现有模型

TensorFlow.js 可导入现有的预先训练的模型进行推理。如果你有一个以前曾经脱机训练过的现有 TensorFlow 或 Keras 模型,则可以将其转换为 TensorFlow.js 格式,并将其加载到浏览器中进行预测。

3]、重新调整现有模型 

TensorFlow.js 可用于重新训练导入的模型。你可以使用传输学习来增强现有模型,使用名为“图像重新训练”的技术,使用浏览器中收集的少量数据进行离线培训。这是快速训练精确模型的一种方法,只使用少量数据。

架构原理:

机器/深度学习phpword2vec、VisualDL、TensorFlow.js、Tacotron介绍

TensorFlow.js 主要是由 WebGL 提供能力支持,并提供了一个用于定义模型的高层  API ,以及用于线性代数和自动微分的低级 API。TensorFlow.js 支持导入 TensorFlow SavedModels  和 Keras 模型。

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

4、Tacotron(使用 TensorFlow 实现文字转语音)

Tacotron 是完全端到端的文本到语音合成模型,主要是将文本转化为语音,使用了预训练模型(pre-trained)技术。

Tacotron 可利用文本生成类似真人的语音,建议安装 Python 3 版本。

安装依赖项:

1]、安装Python 3

2]、为您的平台安装最新版本的TensorFlow,为了获得更好的性能,请安装GPU支持(如果有)。 该代码可用于TensorFlow 1.3及更高版本。

3]、安装requirements:

pip install -r requirements.txt

使用 pre-trained 模型:

下载和解压模型:

curl http://data.keithito.com/data/speech/tacotron-20180906.tar.gz | tar xzC /tmp

运行 demo server:

python3 demo_server.py --checkpoint /tmp/tacotron-20180906/model.ckpt

访问 localhost:9000

输入你想要合成的东西。

下载地址:https://github.com/keithito/tacotron

注明

以上就是机器/深度学习phpword2vec、VisualDL、TensorFlow.js、Tacotron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