Makine öğrenimi kitaplıkları hızla değişmeye devam ediyor ve en iyi yeni kitaplara genel bir bakış vermenin iyi bir fikir olacağını düşündük. Uzun süredir ortalıkta olan çok sayıda popüler kütüphane var ve muhtemelen siz onlara aşina olduğunuz için onları incelemeyi düşünmedik; o kütüphaneler:
- Pytorch & Tensorflow/Keras
- Pandas & Matplotlib
- Numpy & Sci-kit learn
Bunlar açık ara en iyi kütüphanelerdir ve bunları gözden geçirmeye gerek yoktur. Karşılaştığımız diğer kütüphaneleri gözden geçireceğiz. Ayrıca birçok insanın bunları Kaggle yarışmalarını kazanmada kullandığını gördük.
1. timm — Supervised image learning
Tonlarca SOTA denetimli görüntü modeli var ve her yenisini uygulamak istediğinizde, Keras / Pytorch’a uyarlayabileceğiniz kolay bir uygulama bulana kadar bir süre araştırmaya devam etmelisiniz. Timm, ResNet’ten ResNext’e, EfficientNet’e ve çok daha fazlasını içeren 347’den fazla model sunuyor. Desteklediği ağların sayısından çok etkilendik ve bunları uygulamanın oldukça kolay olduğunu gördük, sadece ağı gerekli adıyla içe aktarmanız ve yüklemeniz gerekiyor. Bu kütüphane sizi çok fazla araştırma yapmadan kurtarıyor.
Desteklenen modellerin listesine göz atmak isterseniz koda bakabilirsiniz:
import
supported_models = timm.list_models()
2. MMDetection — Object detection
MMDetection, bir “koleksiyon kütüphanesi” olması bakımından timm’e benzer, ancak denetlenen görüntü modelleri yerine nesne algılama modelleri içindir. Burada inceleyebileceğiniz 30’dan fazla nesne algılama modeli için destek sağlar. Bu kütüphaneyle ilgili en iyi şey, Nesne algılama denetimli görüntü sınıflandırma görevlerinden biraz daha karmaşık olduğundan, bir End 2 End nesne algılama işlem hattı oluşturmaya çok yardımcı olmasıdır.
3. Segmentation_models (Hem PyTorch Hem de Keras için)
Bu ele alacağımız son koleksiyon kütüphanesi. Keras için bir tane ve Pytorch için bir tane var. Esasen tüm görüntü bölümleme modellerini içeriyor ve görüntü bölümleme görevleri için birçok yararlı yardımcı işlev sağlıyor. Tüm bu koleksiyon kütüphanelerinden bahsetmemizin nedeni, onları hızlı ve hızlı prototipleme ararken Kaggle yarışmaları sırasında çok yararlı bulmuş olmamızdır.
4. Pytorch Lightning
Pytorch Lightning, sinir ağları kodunu yazmayı daha basit ve daha hızlı hale getirmek için (dolayısıyla yıldırım) Pytorch üzerine inşa edilmiş yüksek seviyeli bir API’dir. Ayrıca, çalıştırdığınız modelleri izlemek için kullanılan büyük bir bulut monitörü olan “Grid” adlı çok kullanışlı bir özellik sağlar.
5. Albumentations
Görüntü büyütme artık isteğe bağlı bir özellik değildir. Bu, açık ara en yaygın kullanılan kütüphanelerden biridir ve uygulaması kolay görüntü büyütmeler için en iyi 1 numaralı seçenektir. Kullanımı oldukça kolay ve orada tonlarca öğretici ve kaynak var. Ayrıca kullanabileceğiniz çok sayıda farklı büyütme (30’dan fazla farklı) için destek sağlar.
6. Huggingface
Huggingface, NLP ile mükemmel bir iş çıkarıyor. Kütüphane tonlarca SOTA transformatörü ve NLP modeli için destek sağlıyor. Tokenleştirme gibi klasik NLP görevlerine yardımcı olan ve çok az kod satırında Uçtan Uca NLP projeleri oluşturmanıza yardımcı olan işlevler sunarlar. Açık ara en büyük SOTA transformatörleri ve NLP modelleri koleksiyonuna sahipler. Ve son zamanlarda yapmaya çalıştığınız NLP görevi için temelde en iyi transformatörü seçen bir Auto-ML NLP araç takımı üzerinde çalıştıklarını düşünüyoruz.
