Обучение моделей машинного обучения и глубокого обучения в Ravenverse теперь происходит быстрее, чем когда-либо прежде. Новая и оптимизированная версия нашей библиотеки глубокого обучения RavDL, а также различные новые операции машинного обучения позволяют разработчикам обучать большие модели за считанные минуты!
Новый и улучшенный RavDL
Последний выпуск нашей библиотеки глубокого обучения, RavDL, позволяет разработчикам получить доступ к RavDL.v2, который использует недавно добавленные операции уровня глубокого обучения, которые удаляют избыточность и сокращают количество операций, которые необходимо создать для модели, что приводит к увеличению скорости. и эффективность вычислений.
В отличие от RavDL.v1, в новой версии рудиментарные операции абстрагируются от операций отдельных уровней, что позволяет значительно повысить скорость вычислений и сократить задержки.
С точки зрения использования нет большой разницы по сравнению с RavDL.v1. Пример модели показан ниже.
from ravdl.v2 import NeuralNetwork from ravdl.v2.optimizers import RMSprop, Adam from ravdl.v2.layers import Activation, Dense, BatchNormalization, Dropout, Conv2D, Flatten, MaxPooling2D model = NeuralNetwork(optimizer=RMSprop(),loss='SquareLoss') model.add(Dense(n_hidden, input_shape=(n_features,))) model.add(BatchNormalization()) model.add(Dense(30)) model.add(Dropout(0.9)) model.add(Dense(3)) model.add(Activation('softmax'))
Репозиторий RavDL содержит подробную документацию по настройке, а также различные уровни и функции, доступные разработчикам в этом выпуске.
Операции машинного обучения
Благодаря множеству алгоритмов ML, которые теперь доступны в виде простых операторов Ravop, обучение алгоритма ML на Ravenverse теперь так же просто, как объявление Op, набор данных является его входными данными, а другие необходимые аргументы могут быть переданы в качестве параметров. Ниже приведен пример того, как можно определить операцию линейной регрессии для распределенного обучения.
model = R.linear_regression(R.t(X), R.t(y)) model.persist_op('linear_regression_model')
После обучения модель может быть позже извлечена для оценки следующим образом:
model = R.fetch_persisting_op(‘linear_regression_model’) score = model.score(X_test,y_test)
Полный список доступных операций ML выглядит следующим образом:
- Линейная регрессия
- Логистическая регрессия
- K-классификатор ближайших соседей
- K-ближайший регрессор соседей
- Наивный Байес
- K-средние
- Классификатор опорных векторов
- Регрессор опорных векторов
- Классификатор дерева решений
- Регрессор дерева решений
- Случайный лесной классификатор
- Случайный лесной регрессор
Репозиторий Ravenverse содержит подробные инструкции по настройке Ravop для использования этих операторов.
Присоединяйтесь к нашему сообществу
Репозитории GitHub Raven приветствуют вклад разработчиков. Мы будем регулярно выпускать новые версии Ravenverse и связанных библиотек.
Присоединяйтесь к нашему серверу Discord, чтобы получать обновления о том, что будет дальше
Присоединяйтесь к нам в Telegram