""

O cérebro da Microsoft está atualmente acessível para qualquer um usar em seus aplicativos. A organização divulgou publicamente a inteligência artificial que usa para controlar o reconhecimento do discurso em sua mão direita avançada da Cortana e aplicativos do Skype Translate. Isto implica que qualquer pessoa no planeta está atualmente autorizada a ver, ajustar e utilizar o código da Microsoft em seu próprio produto.

O sistema, denominado CNTK, depende de uma parte da inteligência artificial chamada deep learning, que busca capacitar as máquinas a fazerem coisas como perceber fotografias e gravações ou compreender o discurso humano copiando a estrutura e os elementos do cérebro humano. Monstros de tecnologia como Microsoft, Google e Facebook investiram intensamente em profunda pesquisa de aprendizado por um longo tempo, aventurando-se ao extremo de recrutar um grande número de escolásticos que lideraram o campo. Atualmente, da mesma forma que os escolásticos distribuem sua exploração, por isso, muito bem, podem ser investigados e desenvolvidos por diferentes especialistas, essas organizações estão lançando sua programação de aprendizagem profunda de maneira semelhante.

Anteriormente, o Google lançou publicamente o seu motor TensorFlow, que a organização utiliza para um grande número de aplicativos, incorporando reconhecimento de voz no Android e até mesmo em seu índice líder na web. Em pouco tempo, o Facebook publicou publicamente estruturas para equipamentos personalizados destinados a executar os mais recentes cálculos da IA e o maior rastreador da China, Baidu, publicou publicamente seu raciocínio computadorizado preparando a programação.

A Microsoft realmente dispensou o CNTK, que é comparável a vários pontos de vista do TensorFlow do Google, em abril, meses antes de o Google ter seu próprio sistema, mas o código estava confinado ao uso não comercial. Atualmente, a Microsoft está permitindo que qualquer pessoa, incluindo empresas, use o CNTK para qualquer coisa que deseje.

O que é o CNTK?

O Computational Network Toolkit (CNTK) é um pacote de produtos que simplifica a estrutura e o teste de sistemas computacionais, por exemplo, sistemas neurais profundos. Um sistema computacional é um estilo de cálculo no qual a informação se move através de um gráfico e os cálculos ocorrem nos hubs do diagrama. O objetivo de um sistema computacional é obter informações de destaque, alterar as informações através de um sistema de cálculos básicos e depois criar pelo menos um rendimento. O rendimento é freqüentemente um tipo de escolha dependente dos destaques da informação. Um sistema computacional pode ter várias estruturas, por exemplo, feed-forward, recursivas ou convolucionais e incorpora diferentes tipos de cálculos e não-linearidades. Os parâmetros do sistema são aprimorados para fornecer o melhor resultado concebível para um determinado arranjo de informações e um critério de avanço

  • CNTK é uma resposta geral para preparar e testar numerosos tipos de sistemas neurais
  • Um cliente indica um sistema utilizando um registro simples de organização de conteúdo. O registro de design indica o tipo de sistema, onde descobrir as informações de informações e como aprimorar os parâmetros. Esses parâmetros planejados são apropriados no documento de configuração.
  • O CNTK destina-se a colocar consistentemente o mesmo número de cálculos em uma GPU, se acessível, como seria de se esperar nas circunstâncias. Esses tipos de sistemas computacionais são tudo menos difíceis de vetorizar e se adequar agradavelmente às GPUs. O CNTK é bom com GPUs que ajudam na condição de programação CUDA.
  • O CNTK naturalmente verifica as subsidiárias necessárias para efetivamente executar os aprimoramentos essenciais. Os sistemas são compostos de numerosos componentes diretos e o CNTK pode monitorar as sutilezas para garantir que o avanço seja feito de forma eficaz.
  • O CNTK pode ser alcançado incluindo pequenas medidas de código C ++ para atualizar os quadrados vitais. Novas informações, não-linearidades e capacidades-alvo são tudo menos difíceis de incluir.

Vantagens do CNTK sobre o TensorFlow

O CNTK tem uma posição favorável em relação ao TensorFlow para indivíduos fora da comunidade acadêmica: ele pode explorar a intensidade de inúmeros servidores nesse meio tempo. Isso é vital, alegando que é incomum que um PC solitário seja suficientemente espantoso para lidar com uma verdadeira aplicação de inteligência artificial, por exemplo, reconhecimento de discurso em um aplicativo utilizado por um grande número de indivíduos. No interior, o Google provavelmente usa o TensorFlow em um grande número de servidores de uma só vez. Seja como for, a variante do Google lançada para a sociedade em geral, diz Huang, não pode ser utilizada nesse sentido. Verdade seja dita, algumas estruturas profundas de aprendizado além do suporte do CNTK rodando sobre vários servidores ideais para o caso, no entanto, é concebível com outras programações de código aberto, por exemplo, o Torch, que é utilizado pelo Facebook e pelo Google.

Como indicado pela tentativa interna da Microsoft, o CNTK é substancialmente mais produtivo do que outros aparatos de aprendizagem profunda de código aberto. Além disso, é um dos poucos sistemas de aprendizagem profunda que sustenta o Microsoft Windows. Uma desvantagem, no entanto, é que a estrutura apenas faz o C ++ e seu próprio dialeto personalizado, o que pode tornar progressivamente problemático para alguns designers começarem a utilizar. Em qualquer caso, a Microsoft pretende incluir reforço para os famosos dialetos de programação Python – concebivelmente o dialeto mais amplamente reconhecido entre especialistas em raciocínio feitos pelo homem – e C # mais cedo ou mais tarde. Além do mais, atualmente que é open source, os engenheiros de software terão a capacidade de incluir um reforço para os seus dialetos mais amados.

O Microsoft Cognitive Toolkit é a estrutura de aprendizado mais rápida do mercado e oferece inúmeros pontos de interesse em diferentes sistemas para designers. No entanto, é apenas a terceira caixa de ferramentas de aprendizado mais profunda do GitHub, atrás do TensorFlow e do Caffe. A Microsoft está extremamente certa sobre a execução e as capacidades do Cognitive Toolkit, atualmente eles precisam estender seu alcance entre os projetistas e a rede de exames.

Eles freqüentemente experimentam indivíduos perguntando por qual razão alguém precisaria utilizar o CNTK em vez do TensorFlow. Para responder às perguntas, eles publicaram um artigo chamando a atenção para os motivos do CNTK. 8 razões pelas quais você deve mudar de TensorFlow para CNTK incluem:

  • Velocidade: CNTK é tudo muito mais rápido que o TensorFlow, e tende a ser 5-10x mais rápido em sistemas intermitentes.
  • Exatidão: O CNTK pode ser utilizado para preparar modelos de aprendizagem profunda com a melhor exatidão da classe.
  • Estrutura da interface de programação: O CNTK tem uma incrível API C ++, e também tem baixo nível e é simples de utilizar APIs Python de estado anormal que são planejadas com uma visão de programação prática.
  • Versatilidade: O CNTK pode ser dimensionado sem esforço mais do que um grande número de GPUs.
  • Surpreendente: O CNTK tem um suporte de indução C # / .NET / Java que simplifica a coordenação da avaliação do CNTK em aplicativos clientes.
  • Extensibilidade: O CNTK pode ser efetivamente estendido do Python para camadas e estudantes.
  • Trabalhou em perusers: CNTK tem trabalhado produtivamente em perusers de informação que adicionalmente reforçam a aprendizagem transmitida.
  • Caixa de ferramentas interna e externa indistinguível: você não ficaria comprometido de nenhuma maneira porque o mesmo kit de ferramentas é usado por grupos de produtos internos da Microsoft.

Como você deve começar a usar o Kit de Ferramentas de Rede Computacional (CNTK) para a estrutura de aprendizagem profunda do ML?

O Computational Network Toolkit, ou CNTK, é uma estrutura de aprendizado profunda criada pela Microsoft Research. CNTK retrata sistemas neurais como uma progressão de passos computacionais através de um diagrama coordenado. Neste diagrama, os hubs de folha retratam as estimativas de entrada ou os parâmetros do sistema, enquanto os diferentes hubs mostram atividades de rede na informação. O CNTK permite que os clientes tipifiquem e coordenem efetivamente os tipos de modelo predominantes, por exemplo, DNNs de feed-forward, redes de convolução (CNNs) e sistemas repetitivos (RNNs / LSTMs). Ele realiza um mergulho de inclinação estocástico (SGD, backpropagation), aprendendo com separação programada e paralelização em várias GPUs e servidores. Escrito em C ++, o empreendimento foi liberado sob a permissão do MIT. O CNTK agora reforça os estágios do Windows e do Linux. Ele também avança a modularização, mantendo uma partição entre os arranjos de cálculo, o motor de execução, os cálculos de aprendizado e as representações de modelo. A CNTK tem três principais circunstâncias favoráveis em relação a estruturas alternativas:

  • Eficiência: pode preparar estruturas de geração rapidamente
  • Desempenho: pode realizar a execução de ponta em recados de referência e estruturas de geração
  • Flexibilidade: Pode reforçar diferentes atribuições, por exemplo, discurso, imagem e mensagem, e pode experimentar novos pensamentos rapidamente

A CNTK reforça o escalonamento para grupos de GPU fora da caixa. Isso incorpora o sistema neural adequado, preparado em grupos de praticamente qualquer tamanho, tornando a caixa de ferramentas valiosa para especialistas começando, novas empresas com objetivos explícitos e cientistas com grande desejo de escala (e coordenando o rendimento de equipamentos). CNTK dá alguma utilidade que os candidatos de código aberto não têm a partir de agora, fazendo com que um exame mais aprofundado seja particularmente atraente.

Outra posição favorável do CNTK é o dialeto do NDL para representações do sistema. Existe uma grande possibilidade de que a utilização dos documentos de configuração seja útil para uma prototipagem rápida. Para os indivíduos que estão mais interessados em demonstrar do que programar, esse é um arranjo sensato. Nas máquinas que estão aprendendo, escrever programas de computador é uma obrigação infeliz e considerá-los adequadamente revigorantes.

Além disso, tem alguns obstáculos – o não comparecimento de outro dialeto, semelhante ao Python, é uma obstrução ao CNTK nesse tempo inicial. Quando se espera amplificar o reconhecimento, dar aos engenheiros de software atuais os aparatos para coordenar os pipelines existentes é básico. Até o final, a CNTK concentrou-se no discurso sobre as redes. Posteriormente, suas capacidades de execução computacional mais significativas não são notáveis para o grupo de pessoas de Inteligência Artificial mais extenso. Na Offshore Software Solutions , aproveitamos o poder do CNTK para fornecer ferramentas da Web como nunca antes. Você pode conferir nossos serviços aqui. www.offshoresoftware.solutions