Estudiamos ONNX para aplicarlo al trading - página 2

[MetaQuotes]

Introducción a ONNX | Tutorial-1 | Intercambio de redes neuronales abiertas | ONNX

Introducción a ONNX | Tutorial-1 | Intercambio de redes neuronales abiertas | ONNX

Este tutorial proporciona una introducción a ONNX, que es un marco de aprendizaje automático intermediario que convierte los modelos existentes de un marco a otro. El curso cubre los desafíos que enfrenta el aprendizaje profundo, una descripción general de ONNX y una discusión sobre el tiempo de ejecución de ONNX. El instructor demuestra ejemplos prácticos de conversión de modelos con ONNX y comparte un caso de uso real de convertir un modelo de Python en un modelo de TensorFlow. Se requiere familiaridad con la programación de Python, los conceptos básicos de aprendizaje automático y marcos como PyTorch, TensorFlow y Scikit-learn.

[MetaQuotes]

Tutorial-2 - Intercambio de red neuronal abierta

desafíos en el aprendizaje profundo | Tutorial-2 | Intercambio de redes neuronales abiertas | ONNX

Los desafíos de usar diferentes marcos de aprendizaje profundo y aceleradores de hardware durante la inferencia se analizan en este segmento de video. ONNX se presenta como un tipo de modelo intermediario que es compatible con varios marcos de trabajo de aprendizaje profundo y aceleradores de hardware, lo que permite una transferencia fluida de modelos entre ellos. La conversión de modelos ONNX a marcos específicos cuando es necesario permite una mayor flexibilidad al usar modelos entrenados en diferentes sistemas. Comprender estos desafíos y soluciones puede ayudar a crear una canalización eficaz para trabajar con el aprendizaje profundo.

• 00:00:00 En esta sección del video, se discuten los desafíos en el aprendizaje profundo. Los diversos marcos populares utilizados en el aprendizaje profundo incluyen Cafe, TensorFlow, Keras y MXNet. Para una alta potencia computacional, se requieren aceleradores de hardware, que están optimizados para soluciones de aprendizaje profundo, como NVIDIA GPU, Intel GPU y Google TPU. La inferencia también requiere un modelo optimizado para garantizar la eficiencia, y hay varias opciones de hardware de inferencia disponibles, como NVIDIA T4, CPU y dispositivos S como Google Coral, Raspberry Pi y Jetson VR. Es fundamental tener en cuenta los factores de software y hardware al seleccionar un dispositivo para fines de aprendizaje profundo. Se prefiere ONNX por su compatibilidad con varios marcos de trabajo de aprendizaje profundo y aceleradores de hardware, lo que facilita la transferencia fluida de modelos entre ellos.
  
  
• 00:05:00 En esta sección, el orador explica el desafío de usar un modelo entrenado con un marco o hardware diferente en la etapa de inferencia. Este problema se puede abordar con Open Neural Network Exchange (ONNX), un tipo de modelo intermediario que se puede usar con diferentes hardware y marcos. El modelo ONNX se puede convertir a cualquier marco específico si es necesario. Esta solución permite una mayor flexibilidad en el uso de modelos entrenados en diferentes sistemas. El orador concluye diciendo que comprender estos problemas y soluciones ayudará a crear una tubería y trabajar de manera efectiva con el aprendizaje profundo.

[MetaQuotes]

Tutorial-3 - Intercambio de redes neuronales abiertas

Todo sobre ONNX | Tutorial-3 | Intercambio de redes neuronales abiertas | ONNX

El video analiza ONNX, un marco de aprendizaje automático intermedio que permite la conversión de modelos en diferentes tipos de modelos de marco y proporciona capacidades de optimización. Presentado por primera vez en 2017 por AWS, Microsoft y Facebook, ONNX ha ganado popularidad y ha recibido contribuciones de otras empresas, incluidas IBM, Intel y Huawei. Muchas empresas se están dedicando actualmente a trabajar en el ecosistema ONNX.

[MetaQuotes]

Tutorial-4 - Intercambio de redes neuronales abiertas

Principios de diseño | Tutorial-4 | Intercambio de redes neuronales abiertas | ONNX

En este video, el orador explica los principios de diseño de Open Neural Network Exchange (ONNX). Inicialmente desarrollado para el aprendizaje profundo, el ecosistema se ha expandido para admitir también el aprendizaje automático tradicional. ONNX es adaptable con actualizaciones de otros marcos, estandarizado con operaciones bien definidas de aplicaciones prácticas y capaz de exportar/importar modelos con facilidad. Estas características lo convierten en una opción conveniente para los usuarios finales que buscan una solución flexible y eficiente.

[MetaQuotes]

Tutorial-5 - Intercambio de redes neuronales abiertas

Formato de archivo ONNX | Tutorial-5 | Intercambio de redes neuronales abiertas | ONNX

Este video tutorial cubre el formato de archivo ONNX para modelos de aprendizaje automático, que contiene listas de entrada y salida, operadores y nodos computacionales, y parámetros de operador junto con metadatos y la versión del modelo. El formato de archivo ONNX no es una caja negra y se puede visualizar. El orador proporciona ejemplos de operadores como ReLU y PReLU, y demuestra un gráfico de modelo de aprendizaje profundo y lo compara con el gráfico de formato de archivo ONNX. Los operadores personalizados también se pueden mapear usando ONNX, lo que lo convierte en una opción popular para las redes neuronales debido a su flexibilidad y funcionalidad.

• 00:00:00 En esta sección, el orador analiza el formato de archivo ONNX para modelos de aprendizaje automático, que no es una caja negra y se puede visualizar. El formato de archivo ONNX contiene listas de entrada y salida, una lista de nodos y operadores computacionales y parámetros de operador, así como metadatos y la versión del modelo. El orador demuestra un gráfico de modelo de aprendizaje profundo, que es una secuencia de nodos computacionales, y lo compara con el gráfico de formato de archivo ONNX. El formato de archivo ONNX contiene esquemas de operadores que asignan operadores de marcos como Keras, TensorFlow y PyTorch. El ponente muestra ejemplos de operadores como ReLU y PReLU.
  
  
• 00:05:00 En esta sección, el orador explica cómo al convertir un modelo real al formato de archivo ONNX, el marco solo mapea los operadores en el modelo. Los operadores personalizados también se pueden crear y asignar utilizando ONNX. ONNX es una plataforma flexible que brinda muchas funcionalidades, por lo que se ha vuelto popular en el campo de las redes neuronales.

[MetaQuotes]

 Tutorial-6 - Intercambio de redes neuronales abiertas

Tipo de datos ONNX | Tutorial-6 | Intercambio de redes neuronales abiertas | ONNX

El video explica que ONNX tiene dos tipos de especificaciones: redes neuronales profundas y aprendizaje automático. El primero usa tipos de datos de tensor como enteros, flotantes, booleanos, cadenas y tipos complejos, que también se usan en Python y TensorFlow. Mientras tanto, este último utiliza tipos de datos no tensores como secuencias y mapas debido al aprendizaje basado en estadísticas que normalmente no utiliza tensores.

[MetaQuotes]

Tutorial-7 - Intercambio de red neuronal abierta

Ejemplo de aprendizaje automático | Tutorial-7 | Intercambio de redes neuronales abiertas | ONNX

Este video tutorial explica cómo convertir un modelo guardado en formato pickle en un formato de archivo de modelo Open Neural Network Exchange (ONNX) para un ejemplo práctico de aprendizaje automático usando ONNX. El video proporciona un archivo de requisitos que especifica los paquetes necesarios, y el orador brinda un código simple para importar datos, dividir y entrenar el modelo antes de convertirlo al formato ONNX usando el paquete skl2onnx. Se proporciona un script de conversión y se comparten instrucciones para visualizar el gráfico resultante con la herramienta Netron y realizar inferencias en el modelo ONNX. El ponente destaca la portabilidad y optimización del formato ONNX y anima a practicar con el proceso de conversión.

• 00:00:00 En esta sección, el video analiza un ejemplo práctico de aprendizaje automático con ONNX. El ejemplo implica entrenar un modelo y guardarlo en formato pickle, y luego convertirlo al formato de archivo de modelo ONNX. El video proporciona un archivo require.txt donde se especifican todos los paquetes de requisitos, incluidos sklearn y skl2onnx, que es el convertidor. Luego, el video muestra un código simple para importar el conjunto de datos, realizar una división de prueba de entrenamiento y entrenar el modelo. Finalmente, se proporciona un script de conversión para convertir el modelo guardado al formato ONNX usando el paquete skl2onnx.
  
  
• 00:05:00 En esta sección, el orador explica cómo convertir un modelo de pickle a un modelo ONNX usando un script simple. El script implica cargar el modelo pickle, definir el tipo de datos, llamar a la función convert_scalar y pasar el objeto de clase antes de guardar el modelo como un archivo ONNX. El orador también demuestra cómo visualizar el gráfico resultante usando la herramienta Netron y realizar inferencias usando el modelo ONNX pasando una entrada de muestra. El formato ONNX se describe como más portátil y optimizado que el formato pickle, ya que puede usarse en cualquier ecosistema ONNX. El disertante recomienda practicar el proceso de conversión para recordar cómo hacerlo de manera efectiva.

[MetaQuotes]

Tutorial-8 - Intercambio de red neuronal abierta

Tiempo de ejecución ONNX | Tutorial-8 | Intercambio de redes neuronales abiertas | ONNX

El orador analiza el tiempo de ejecución de ONNX y su importancia en el aprendizaje profundo. ONNX Runtime es un motor de alto rendimiento, rápido y fundado por Microsoft. Es un marco extensible y modular que es de código abierto y se envía con Windows 10. Microsoft prefiere este tiempo de ejecución porque es rápido y eficiente para el aprendizaje profundo, a diferencia del tiempo de ejecución predeterminado, que puede retrasarse. Además, el diagrama de tiempo de ejecución de ONNX muestra cómo se usa el tiempo de ejecución de ONNX para convertir un modelo existente a un formato de archivo ONNX, y luego se usa el tiempo de ejecución de ONNX para ejecutar el modelo sin preocuparse por el hardware o el marco. El orador sugiere que la audiencia puede profundizar en el tiempo de ejecución de ONNX en el GitHub oficial de ONNX.

[MetaQuotes]

Tutorial-9 - Intercambio de redes neuronales abiertas

Zoológico modelo ONNX | Tutorial-9 | Intercambio de redes neuronales abiertas | ONNX

ONNX Model Zoo es una colección de modelos preentrenados para diferentes tareas, como la clasificación de imágenes, la detección de objetos y el procesamiento de voz y audio. Los modelos preentrenados están disponibles para descargar como archivos ONNX y se pueden usar con cualquier marco o el tiempo de ejecución de ONNX para la inferencia. Además, las plataformas en la nube como Azure ML ofrecen una funcionalidad similar donde los usuarios pueden cargar sus propios datos y entrenar modelos para descargarlos como archivos ONNX. El siguiente video mostrará cómo usar un modelo previamente entrenado del ONNX Model Zoo para el reconocimiento de dígitos escritos a mano.

[MetaQuotes]

Tutorial-10 - Intercambio de redes neuronales abiertas

Demostración del zoológico modelo ONNX | Tutorial-10 | Intercambio de redes neuronales abiertas | ONNX

El video tutorial muestra cómo usar ONNX Model Zoo para realizar inferencias en un modelo ONNX usando el tiempo de ejecución de ONNX. El presentador guía a los espectadores a través del proceso de creación de un entorno virtual, la instalación de los paquetes necesarios, la descarga del modelo escrito a mano del MNIST del ONNX Model Zoo y la escritura de un script de Python para la inferencia. La demostración muestra que el tiempo de predicción es rápido y anima a los usuarios a descargar modelos directamente desde ONNX Model Zoo. El video muestra el próximo tutorial, que cubrirá la conversión de un modelo de Python a TensorFlow.

• 00:00:00 En esta sección, el presentador demuestra cómo descargar el modelo escrito a mano MNIST del ONNX Model Zoo y realizar inferencias sobre el tiempo de ejecución de ONNX. El usuario debe crear un entorno virtual e instalar los paquetes necesarios, como ONNX Runtime, OpenCV y NumPy. Luego, el presentador muestra cómo descargar el modelo directamente desde ONNX Model Zoo o copiando el enlace al sitio web CNTK.ai. Una vez que se descarga el modelo, el presentador explica cómo escribir un script de Python para la inferencia, incluida la carga del modelo ONNX, el preprocesamiento de la imagen y la ejecución de la sesión para obtener el resultado. Finalmente, el presentador muestra la predicción dibujando los resultados en función de la operación argmax.
  
  
• 00:05:00 En esta sección, el orador analiza la inferencia con modelos ONNX mediante el tiempo de ejecución de ONNX. Demuestran el uso de un modelo ONNX previamente entrenado para predecir dígitos escritos a mano y muestran que el tiempo de predicción es bastante rápido. El orador también menciona que los usuarios pueden descargar modelos del ONNX Model Zoo y comenzar a hacer inferencias sin necesidad de convertirlos. Se burlan del siguiente video, donde planean convertir un modelo de Python a TensorFlow, brindando a los usuarios una comprensión más profunda del proceso de conversión de modelos.