Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Нейронная сеть в вашем телефоне: от обучения до развертывания через ONNX
Нейронная сеть в вашем телефоне: от обучения до развертывания через ONNX
В этом видео «Нейронная сеть в вашем телефоне: от обучения к развертыванию через ONNX» ведущий демонстрирует, как обучить нейронную сеть с помощью API сообщества iNaturalist для идентификации различных видов грибов в зависимости от того, токсичны они или съедобны. Затем они объясняют, как развернуть модель на iPhone с помощью пакета Core ML от Apple. Спикер также указывает на важность форматирования обученной модели в формате файла ONNX перед ее импортом в Core ML. Докладчик подчеркивает, что EfficientNet станет будущей моделью для классификации изображений, при выборе модели необходимо соблюдать осторожность, и предлагает создать классификаторы для растений, животных или птиц.
Используйте возможности машинного обучения с ONNX | Рон Лайл Дагдаг | Conf42 Машинное обучение 2021
Используйте возможности машинного обучения с ONNX | Рон Лайл Дагдаг | Conf42 Машинное обучение 2021
В этом видео Рон Дагдаг обсуждает преимущества использования ONNX (Open Neural Network Exchange) в качестве открытого формата для моделей машинного обучения, особенно при развертывании моделей на различных конечных точках, таких как телефоны или облачная инфраструктура. Он описывает сценарии, в которых преобразование модели в ONNX может быть полезным, например, низкая производительность или объединение моделей, обученных на разных платформах, и описывает, как популярные модели, такие как RestNet, можно загрузить в формате ONNX. Кроме того, он обсуждает преимущества запуска моделей машинного обучения на периферии, а также важность управления моделями путем их регистрации в облаке и управления их версиями. Он демонстрирует, как преобразовать модель в ONNX и как использовать среду выполнения ONNX в Python для логических выводов, и в заключение подчеркивает роль ONNX в обеспечении эффективной совместной работы специалистов по данным и разработчиков программного обеспечения.
ONNX на микроконтроллерах
ONNX на микроконтроллерах
Рохит Шарма рассказывает о проблемах и возможностях запуска моделей ONNX на микроконтроллерах. Он подчеркивает, что, хотя этим устройствам не хватает ресурсов высокопроизводительных серверов, растет число приложений машинного обучения для крошечных устройств из-за улучшения аппаратных ресурсов и усилий сообщества ИИ по уменьшению размера модели. Шарма обсуждает два инструмента для простой реализации машинного обучения на микроконтроллерах: DeepSea, опережающий компилятор с открытым исходным кодом, который поддерживает Python и позволяет разработчикам создавать собственные алгоритмы машинного обучения, и Canvas, платформу без кода/мало кода, обеспечивающую более 70 крошечных приложений машинного обучения, которые можно настроить в соответствии с набором данных пользователя. Он предлагает два варианта использования этих инструментов, в том числе носимую перчатку, которая переводит жесты жестов в слова, и обнаружение слабых слов для устройств с голосовой поддержкой, таких как Amazon Echo.
Вывод в JavaScript с ONNX Runtime Web!
Вывод в JavaScript с ONNX Runtime Web!
В видео рассказывается об использовании ONNX Runtime Web в браузере с помощью шаблона Next.js, который предлагает пользовательский интерфейс для выполнения логических выводов на предварительно выбранных изображениях. Демонстрируется процесс преобразования данных изображения в тензор с использованием значений RGB и создание размеров. Исследуется вспомогательная функция модели, которая передает предварительно обработанные данные в сеанс логического вывода ONNX, используя путь к модели, поставщику выполнения и параметрам сеанса. Каналы для модели создаются с использованием входного имени и тензорного объекта и передаются в функцию session.run для получения первых пяти результатов. Первый результат заполняет изображение, в то время как предоставляется конфигурация веб-пакета и инструкции для логического вывода на стороне сервера с использованием узла среды выполнения ONNX.
Используйте возможности машинного обучения с ONNX — Рон Дагдаг
Используйте возможности машинного обучения с ONNX — Рон Дагдаг
В этом видео Рон Дагдаг подробно рассказывает о важности фреймворков машинного обучения, в частности ONNX, которые облегчают взаимодействие между фреймворками глубокого обучения и развертыванием. Он описывает способы получения моделей ONNX, включая преобразование существующих моделей, обучающие модели с помощью автоматизированного машинного обучения Azure и использование пользовательской службы машинного зрения Azure. Дагдаг подчеркивает необходимость развертывания моделей машинного обучения в облаке или на периферии, и предлагает использовать ONNX, чтобы сделать процесс более плавным. Кроме того, он описывает процесс использования Microsoft ML.NET для создания модели машинного обучения и демонстрирует, как включить модель ONNX в приложение, используя среду выполнения ONNX для логического вывода. Dagdag также исследует ONNX как открытый стандарт для машинного обучения, его различные платформы и языки, а также инструменты для уменьшения размера моделей.
Рон Дагдаг — Создание нейронных сетей в браузере с помощью ONNX
Рон Дагдаг — Создание нейронных сетей в браузере с помощью ONNX
В этом видео Рон Дагдаг объясняет, как можно использовать инфраструктуру машинного обучения ONNX для запуска нейронных сетей в браузере. Он обсуждает основы машинного обучения, создание и развертывание моделей ONNX, а также среду выполнения ONNX. Dagdag демонстрирует использование ONNX на различных примерах, включая прогнозирование зарплат на основе опыта работы и обнаружение эмоций на изображениях. Он также рассказывает о развертывании моделей ONNX на различных платформах, таких как Android и iOS, и выделяет доступные ресурсы и демонстрации для экспериментов с ONNX. Dagdag поощряет эксперименты с ONNX и подчеркивает важность эффективного логического вывода на целевых платформах с использованием среды выполнения ONNX.
День искусственного интеллекта и данных Linux Foundation — собрание сообщества ONNX — 21 октября 2021 г.
Эмма Нинг (Microsoft) ONNX Runtime Web для запуска ONNX моделей в браузере
001 ONNX 20211021 Ning ONNX Runtime Web для запуска ONNX моделей в браузере
Эмма, менеджер по продуктам команды Microsoft AI Framework, представляет ONNX Runtime Web, новую функцию ONNX Runtime, которая позволяет разработчикам JavaScript запускать и развертывать модели машинного обучения в браузере с двумя серверными частями, включая веб-сборку для ЦП и WebGL для ГП. Серверная часть веб-сборки может работать с любой моделью ONNX, использовать многопоточность и SIMD, а также поддерживать большинство функций, которые поддерживает среда выполнения ONNX, в то время как серверная часть WebGL представляет собой реализацию на основе чистого JavaScript с API-интерфейсами WebGL. Докладчик также обсуждает совместимость операторов ONNX с обоими бэкендами, предоставляет фрагменты кода для создания сеанса логического вывода и запуска модели, а также демонстрирует демонстрационный веб-сайт с несколькими сценариями моделей изображений в браузере на основе модели MobileNet. Тем не менее, спикер также признает, что еще есть возможности для улучшения производительности сети выполнения ONNX и потребления памяти, а также расширения поддерживаемых операторов ONNX.
Веб-семинар и машинное обучение W3C Workshop Summer 2020
ONNX.js — библиотека Javascript для запуска моделей ONNX в браузерах и Node.js.
ONNX.js — библиотека Javascript для запуска моделей ONNX в браузерах и Node.js.
ONNX.js — это библиотека JavaScript, которая позволяет пользователям запускать модели ONNX в браузерах и Node.js. Он оптимизирует модель как на ЦП, так и на ГП с помощью различных методов и поддерживает профилирование, ведение журнала и отладку для упрощения анализа. Библиотека поддерживает все основные браузеры и платформы и обеспечивает распараллеливание с использованием веб-воркеров для повышения производительности на многоядерных компьютерах. Используя WebGL для доступа к возможностям графического процессора, он обеспечивает значительное повышение производительности и сокращает передачу данных между ЦП и графическим процессором. Хотя необходима дальнейшая оптимизация и поддержка оператора, спикер призывает сообщество внести свой вклад в улучшение ONNX.js.
Как запускать модели PyTorch в браузере с помощью ONNX.js
Как запускать модели PyTorch в браузере с помощью ONNX.js
В видео объясняются преимущества запуска модели PyTorch в браузере с использованием JavaScript и ONNX.js, в том числе лучшее время отклика, масштабируемость, доступность в автономном режиме и повышенная конфиденциальность пользователей. В видео также показан процесс преобразования модели PyTorch в модель ONNX, загрузки ее в сеанс ONNX.js и выполнения вывода в браузере. Также обсуждаются подготовка данных, отладка и дополнения, а докладчик демонстрирует, как сделать модель более надежной с помощью методов увеличения данных. Видео содержит пример кода и демонстрационный веб-сайт, на котором пользователи могут сами опробовать модель.
Запуск нейронных сетей в браузере с помощью ONNX — Рон Дагдаг — NDC Melbourne 2022
Запуск нейронных сетей в браузере с помощью ONNX — Рон Дагдаг — NDC Melbourne 2022
Рон Дагдаг делится своим опытом работы с нейронными сетями в браузерах с помощью ONNX. Он обсуждает основы программирования и его отличия от машинного обучения, доступность JavaScript и фреймворков машинного обучения, а также то, как модели машинного обучения могут работать на разных устройствах, включая телефоны, IoT и облако. Он представляет ONNX — открытый формат моделей машинного обучения, который может интегрировать модели, созданные в разных средах, с существующими приложениями на разных языках программирования. Dagdag демонстрирует, как создавать, управлять и развертывать модели ONNX, включая среду выполнения ONNX, веб-сборку и технологии веб-GL для запуска моделей ONNX в браузерах при оптимизации производительности, безопасности и стоимости. В видео также рассматривается оценка предварительно обученных моделей на мобильных устройствах, соображения стоимости и преимущества запуска обнаружения объектов ближе к границе для локальной обработки больших объемов данных.