1 Ji-won nouvelle compilation
Machine Learning (ML) est devenu un outil de plus en plus puissant qui peut être utilisé dans divers domaines reconnaissance d'objets, la traduction, médicale. Cependant, en utilisant une bibliothèque commune ML, les systèmes de développement ML sont souvent limités à ceux qui ont les ressources informatiques et de l'expertise technique.
PAIRE (People + AI Initiative pour la recherche) est une recherche et la refonte du programme d'interagir avec l'initiative ML humaine, tirer profit de ce programme, nous espérons apprendre la machine ouverte au plus grand nombre. Pour poursuivre cet objectif, nous sommes heureux de publier deeplearn.js 0.1.0, ce qui est une accélération source de JavaScript WebGL ouverte de l'apprentissage machine exécute bibliothèque entièrement dans le navigateur, aucune installation, aucun traitement back-end.
L'apprentissage de la machine dans le navigateur présente de nombreux avantages. Une bibliothèque client ML peut être interprété comme une plate-forme interactive (explication interactive) que le prototypage rapide (prototypage) et la visualisation, même calcul hors ligne. En plus d'autres part, le navigateur peut être considéré comme l'une des plate-forme de programmation le plus populaire du monde.
Bien que la bibliothèque d'apprentissage de la machine sur votre navigateur a été autour depuis des années (par exemple Andrej Karpathy de convnetjs), mais ils sont limités par la vitesse de Javascript, ou le raisonnement limité ne peut pas être utilisé pour la formation (par exemple TensorFire). En revanche, deeplearn.js calcul est effectué en utilisant WebGL sur le GPU, ainsi que la capacité de propagation complètement inversée (backpropagation plein) pour obtenir une accélération significative.
Cette simulation API tensorflow et la structure NumPy, avec le modèle d'exécution différée (comme tensorflow) pour la formation et le modèle d'exécution immédiate pour le raisonnement (comme NumPy). Nous réalisons également une partie de la version la plus commune des opérations tensorflow. Avec les deeplearn.js de libération est, nous vous fournirons les outils dérivés du poste de contrôle tensorflow lourds, ce qui permettra aux auteurs de les importer à une inférence de deeplearn.js page Web.
Vous pouvez reconnaître l'écriture manuscrite et des photos numériques par convolution formation réseau de neurones pour explorer le potentiel de cette bibliothèque - Tous ces sont sans écrire de code .
Nous publions une série de démonstration pour montrer les deeplearn.js de capacité. connexion en temps réel à l'aide du classificateur image webcam, vous pouvez observer la représentation du réseau interne, ou 60 images par seconde pour produire de l'art abstrait fluide. Il y a plus sur deeplearn.js Accueil démo.
Nous espérons que cette bibliothèque peut améliorer considérablement la visibilité et la participation de l'apprentissage machine, permettant aux développeurs d'accéder à des outils puissants, tout en offrant un moyen d'interagir pour l'utilisateur tous les jours. Nous sommes impatients de travailler avec la communauté open source, de promouvoir cette vision.
Original: https: //research.googleblog.com/2017/08/harness-power-of-machine-learning-in.html
deeplearn.js site officiel: https: //pair-code.github.io/deeplearnjs/
Cliquez ici pour lire le message original pour voir les détails, espérons que vous pouvez rejoindre ~
