Ticaret için ONNX'i öğrenme - sayfa 2

[MetaQuotes]

Derin Öğrenmedeki Zorluklar | Öğretici-2 | Açık Sinir Ağı Değişimi | ONNX

Derin Öğrenmedeki Zorluklar | Öğretici-2 | Açık Sinir Ağı Değişimi | ONNX

Çıkarım sırasında farklı derin öğrenme çerçeveleri ve donanım hızlandırıcıları kullanmanın zorlukları bu video bölümünde tartışılmaktadır. ONNX, çeşitli derin öğrenme çerçeveleri ve donanım hızlandırıcıları ile uyumlu, aralarında modellerin sorunsuz aktarımına izin veren bir aracı model türü olarak sunulur. ONNX modellerini gerektiğinde belirli çerçevelere dönüştürmek, farklı sistemlerde eğitimli modeller kullanırken daha fazla esneklik sağlar. Bu zorlukları ve çözümleri anlamak, derin öğrenme ile çalışmak için etkili bir boru hattı oluşturmaya yardımcı olabilir.

• 00:00:00 Videonun bu bölümünde derin öğrenmedeki zorluklar tartışılıyor. Derin öğrenmede kullanılan çeşitli popüler çerçeveler arasında Cafe, TensorFlow, Keras ve MXNet bulunur. Yüksek bilgi işlem gücü için, NVIDIA GPU, Intel GPU ve Google TPU gibi derin öğrenme çözümleri için optimize edilmiş donanım hızlandırıcıları gereklidir. Çıkarım ayrıca verimliliği sağlamak için optimize edilmiş bir model gerektirir ve NVIDIA T4, CPU'lar ve Google Coral, Raspberry Pi ve Jetson VR gibi S cihazları gibi çeşitli çıkarım donanım seçenekleri mevcuttur. Derin öğrenme amaçları için bir cihaz seçerken yazılım ve donanım faktörlerini göz önünde bulundurmak çok önemlidir. ONNX, çeşitli derin öğrenme çerçeveleri ve donanım hızlandırıcıları ile uyumlu olması ve aralarında modellerin sorunsuz aktarımını kolaylaştırması nedeniyle tercih edilmektedir.
  
  
• 00:05:00 Bu bölümde, konuşmacı, çıkarım aşamasında farklı bir çerçeve veya donanımla eğitilmiş bir model kullanmanın zorluğunu açıklıyor. Bu sorun, farklı donanım ve çerçevelerle kullanılabilen aracı bir model türü olan Açık Sinir Ağı Değişimi (ONNX) ile giderilebilir. ONNX modeli, gerekirse herhangi bir özel çerçeveye dönüştürülebilir. Bu çözüm, farklı sistemlerde eğitilmiş modellerin kullanılmasında daha fazla esneklik sağlar. Konuşmacı, bu sorunları ve çözümlerini anlamanın bir boru hattı oluşturmaya ve derin öğrenme ile etkili bir şekilde çalışmaya yardımcı olacağını söyleyerek sözlerini bitirir.

[MetaQuotes]

ONNX hakkında her şey | Öğretici-3 | Açık Sinir Ağı Değişimi | ONNX

ONNX hakkında her şey | Öğretici-3 | Açık Sinir Ağı Değişimi | ONNX

Video, modellerin farklı çerçeve modeli türlerine dönüştürülmesine izin veren ve optimizasyon yetenekleri sağlayan bir aracı makine öğrenimi çerçevesi olan ONNX'i tartışıyor. İlk olarak 2017'de AWS, Microsoft ve Facebook tarafından tanıtılan ONNX, IBM, Intel ve Huawei dahil olmak üzere diğer şirketlerden popülerlik ve katkılar kazandı. Birçok şirket şu anda kendilerini ONNX ekosistemi üzerinde çalışmaya adamıştır.

[MetaQuotes]

Tasarım ilkeleri | Öğretici-4 | Açık Sinir Ağı Değişimi | ONNX

Tasarım ilkeleri | Öğretici-4 | Açık Sinir Ağı Değişimi | ONNX

Bu videoda konuşmacı, Açık Sinir Ağı Değişiminin (ONNX) tasarım ilkelerini açıklıyor. Başlangıçta derin öğrenme için geliştirilen ekosistem, geleneksel makine öğrenimini de destekleyecek şekilde genişledi. ONNX, diğer çerçevelerden gelen güncellemelerle uyarlanabilir, pratik uygulamalardan iyi tanımlanmış işlemlerle standartlaştırılmıştır ve modelleri kolaylıkla dışa/içe aktarabilir. Bu özellikler, onu esnek ve verimli bir çözüm arayan son kullanıcılar için uygun bir seçim haline getirir.

[MetaQuotes]

ONNX dosya formatı | Öğretici-5 | Açık Sinir Ağı Değişimi | ONNX

ONNX dosya formatı | Öğretici-5 | Açık Sinir Ağı Değişimi | ONNX

Bu öğretici video, giriş ve çıkış listelerini, hesaplamalı düğümleri ve operatörleri ve operatör parametrelerinin yanı sıra modelin meta verilerini ve sürümünü içeren makine öğrenimi modelleri için ONNX dosya formatını kapsar. ONNX dosya formatı bir kara kutu değildir ve görselleştirilebilir. Konuşmacı, ReLU ve PReLU gibi operatörlere örnekler verir ve bir derin öğrenme modeli grafiği gösterir ve onu ONNX dosya biçimi grafiğiyle karşılaştırır. Özel operatörler ayrıca ONNX kullanılarak eşlenebilir, bu da onu esnekliği ve işlevselliği nedeniyle sinir ağları için popüler bir seçim haline getirir.

• 00:00:00 Bu bölümde konuşmacı, bir kara kutu olmayan ve görselleştirilebilen makine öğrenimi modelleri için ONNX dosya formatını tartışıyor. ONNX dosya biçimi, girdi ve çıktı listelerini, hesaplamalı düğümlerin ve operatörlerin bir listesini ve operatör parametrelerinin yanı sıra meta verileri ve modelin sürümünü içerir. Konuşmacı, bir hesaplama düğümleri dizisi olan bir derin öğrenme modeli grafiği gösterir ve bunu ONNX dosya formatı grafiğiyle karşılaştırır. ONNX dosya formatı, operatörleri Keras, TensorFlow ve PyTorch gibi çerçevelerden eşleyen operatör şemaları içerir. Konuşmacı, ReLU ve PReLU gibi operatörlerin örneklerini gösterir.
  
  
• 00:05:00 Bu bölümde, konuşmacı gerçek bir modeli ONNX dosya formatına dönüştürürken çerçevenin sadece operatörleri modele nasıl eşlediğini açıklıyor. ONNX kullanılarak özel operatörler de oluşturulabilir ve eşlenebilir. ONNX, birçok işlevsellik sağlayan esnek bir platformdur, bu nedenle sinir ağları alanında popüler hale gelmiştir.

[MetaQuotes]

ONNX Veri Türü | Öğretici-6 | Açık Sinir Ağı Değişimi | ONNX

ONNX Veri Türü | Öğretici-6 | Açık Sinir Ağı Değişimi | ONNX

Video, ONNX'in iki tür özelliği olduğunu açıklıyor: derin sinir ağları ve makine öğrenimi. İlki, Python ve TensorFlow'da da kullanılan tamsayılar, değişkenler, boolean'lar, diziler ve karmaşık türler gibi tensör veri türlerini kullanır. Bu arada, ikincisi, tipik olarak tensörleri kullanmayan istatistiksel tabanlı öğrenme nedeniyle diziler ve haritalar gibi tensör olmayan veri türlerini kullanır.

[MetaQuotes]

Makine Öğrenimi Örneği | Öğretici-7 | Açık Sinir Ağı Değişimi | ONNX

Makine Öğrenimi Örneği | Öğretici-7 | Açık Sinir Ağı Değişimi | ONNX

Bu video eğitimi, ONNX kullanan makine öğreniminin pratik bir örneği için turşu biçiminde kaydedilen bir modelin Açık Sinir Ağı Değişimi (ONNX) model dosya biçimine nasıl dönüştürüleceğini açıklar. Video, gerekli paketleri belirten bir gereksinim dosyası sağlar ve konuşmacı, skl2onnx paketini kullanarak ONNX biçimine dönüştürmeden önce modeli içe aktarmak, bölmek ve eğitmek için basit bir kod verir. Bir dönüştürme komut dosyası sağlanır ve elde edilen grafiğin Netron aracıyla görselleştirilmesi ve ONNX modelinde çıkarım yapılması için talimatlar paylaşılır. Konuşmacı, ONNX formatının taşınabilirliğini ve optimizasyonunu vurgular ve dönüştürme süreciyle pratik yapmayı teşvik eder.

• 00:00:00 Bu bölümde video, ONNX kullanarak makine öğreniminin pratik bir örneğini tartışıyor. Örnek, bir modelin eğitilmesini ve turşu formatında kaydedilmesini ve ardından onu ONNX model dosya formatına dönüştürülmesini içerir. Video, dönüştürücü olan sklearn ve skl2onnx dahil olmak üzere tüm gereksinim paketlerinin belirtildiği bir request.txt dosyası sağlar. Ardından video, is veri kümesini içe aktarma, tren testi ayırma gerçekleştirme ve modeli eğitme ile ilgili basit bir kodu gösterir. Son olarak, kaydedilen modeli skl2onnx paketini kullanarak ONNX biçimine dönüştürmek için bir dönüştürme komut dosyası sağlanır.
  
  
• 00:05:00 Bu bölümde, konuşmacı basit bir komut dosyası kullanarak turşu modelinin ONNX modeline nasıl dönüştürüleceğini açıklıyor. Komut dosyası, pickle modelinin yüklenmesini, veri türünün tanımlanmasını, convert_scalar işlevinin çağrılmasını ve modeli bir ONNX dosyası olarak kaydetmeden önce sınıf nesnesinin geçirilmesini içerir. Konuşmacı ayrıca, Netron aracını kullanarak elde edilen grafiğin nasıl görselleştirileceğini ve ONNX modelini kullanarak bir örnek girişi ileterek çıkarımın nasıl gerçekleştirileceğini gösterir. ONNX formatı, herhangi bir ONNX ekosisteminde kullanılabileceği için, turşu formatından daha taşınabilir ve optimize edilmiş olarak tanımlanır. Konuşmacı, etkili bir şekilde nasıl yapılacağını hatırlamak için dönüştürme sürecini uygulamanızı önerir.

[MetaQuotes]

ONNX Çalışma Zamanı | Öğretici-8 | Açık Sinir Ağı Değişimi | ONNX

ONNX Çalışma Zamanı | Öğretici-8 | Açık Sinir Ağı Değişimi | ONNX

Konuşmacı, ONNX çalışma zamanını ve bunun derin öğrenmedeki önemini tartışıyor. ONNX Runtime, Microsoft tarafından kurulmuş, hızlı ve yüksek performanslı bir motordur. Açık kaynaklı ve Windows 10 ile birlikte gelen genişletilebilir ve modüler bir çerçevedir. Microsoft, gecikme yapabilen varsayılan çalışma zamanının aksine derin öğrenme için hızlı ve verimli olduğu için bu çalışma zamanını tercih ediyor. Ek olarak, ONNX çalışma zamanı diyagramı, ONNX Çalışma Zamanının mevcut bir modeli ONNX dosya formatına dönüştürmek için nasıl kullanıldığını ve ardından ONNX çalışma zamanının, donanım veya çerçeve hakkında endişelenmeden modeli yürütmek için nasıl kullanıldığını gösterir. Konuşmacı, izleyicilerin ONNX'in resmi GitHub'ında ONNX çalışma zamanına derinlemesine dalabileceklerini öne sürüyor.

[MetaQuotes]

ONNX Modeli Hayvanat Bahçesi | Öğretici-9 | Açık Sinir Ağı Değişimi | ONNX

ONNX Modeli Hayvanat Bahçesi | Öğretici-9 | Açık Sinir Ağı Değişimi | ONNX

ONNX Model Hayvanat Bahçesi, görüntü sınıflandırma, nesne algılama ve konuşma ve ses işleme gibi farklı görevler için önceden eğitilmiş modellerden oluşan bir koleksiyondur. Önceden eğitilmiş modeller, ONNX dosyaları olarak indirilebilir ve çıkarım için herhangi bir çerçeve veya ONNX çalışma zamanı ile kullanılabilir. Ek olarak, Azure ML gibi bulut platformları, kullanıcıların kendi verilerini yükleyebilecekleri ve modelleri ONNX dosyaları olarak indirecek şekilde eğitebilecekleri benzer işlevler sunar. Bir sonraki video, el yazısı rakam tanıma için ONNX Model Hayvanat Bahçesi'nden önceden eğitilmiş bir modelin nasıl kullanılacağını gösterecek.

[MetaQuotes]

ONNX Model Hayvanat Bahçesi Demosu | Öğretici-10 | Açık Sinir Ağı Değişimi | ONNX

ONNX Model Hayvanat Bahçesi Demosu | Öğretici-10 | Açık Sinir Ağı Değişimi | ONNX

Eğitim videosu, ONNX çalışma zamanını kullanarak bir ONNX modelinde çıkarım yapmak için ONNX Model Zoo'nun nasıl kullanılacağını gösterir. Sunum yapan kişi, izleyicilere sanal bir ortam oluşturma, gerekli paketleri kurma, MNIST el yazısı modelini ONNX Model Hayvanat Bahçesi'nden indirme ve çıkarım için bir Python betiği yazma sürecinde rehberlik eder. Demo, tahmin süresinin hızlı olduğunu gösteriyor ve kullanıcıları modelleri doğrudan ONNX Model Hayvanat Bahçesi'nden indirmeye teşvik ediyor. Video, bir Python modelini TensorFlow'a dönüştürmeyi kapsayacak bir sonraki öğreticiyi anlatıyor.

• 00:00:00 Bu bölümde sunum yapan kişi, ONNX Model Hayvanat Bahçesi'nden MNIST el yazısı modelinin nasıl indirileceğini ve ONNX çalışma zamanı üzerinde çıkarımın nasıl gerçekleştirileceğini gösterir. Kullanıcının sanal bir ortam oluşturması ve ONNX Runtime, OpenCV, NumPy gibi gerekli paketleri kurması gerekiyor. Sunum yapan kişi daha sonra modelin doğrudan ONNX Model Hayvanat Bahçesi'nden veya bağlantıyı CNTK.ai web sitesine kopyalayarak nasıl indirileceğini gösterir. Model indirildikten sonra sunum yapan kişi, ONNX modelinin yüklenmesi, görüntünün ön işlenmesi ve çıktının elde edilmesi için oturumun çalıştırılması dahil olmak üzere çıkarım için bir Python betiğinin nasıl yazılacağını açıklar. Son olarak sunum yapan kişi, argmax işlemine dayalı olarak sonuçları boyayarak tahmini görüntüler.
  
  
• 00:05:00 Bu bölümde, konuşmacı ONNX çalışma zamanını kullanarak ONNX modelleriyle çıkarım yapmayı tartışıyor. El yazısı rakamları tahmin etmek için önceden eğitilmiş bir ONNX modeli kullanmayı gösteriyorlar ve tahmin süresinin oldukça hızlı olduğunu gösteriyorlar. Konuşmacı ayrıca kullanıcıların modelleri ONNX Model Hayvanat Bahçesi'nden indirebileceklerinden ve dönüştürmeye gerek kalmadan çıkarım yapmaya başlayabileceklerinden bahseder. Bir Python modelini TensorFlow'a dönüştürmeyi planladıkları bir sonraki videoda, kullanıcılara model dönüştürme sürecini daha derinlemesine anlama fırsatı veriyorlar.

[MetaQuotes]

PyTorch'tan Tensorflow Demosuna | Öğretici-11 | Açık Sinir Ağı Değişimi | ONNX

PyTorch'tan Tensorflow Demosuna | Öğretici-11 | Açık Sinir Ağı Değişimi | ONNX

Video, bir PyTorch modelini TensorFlow formatına dönüştürmek için ONNX'in nasıl kullanılacağını gösterir. Süreç, modeli PyTorch'ta eğitmeyi, .pth biçiminde kaydetmeyi ve son olarak TensorFlow biçimine dönüştürmeden önce ONNX biçimine dönüştürmeyi içerir. Dönüştürme işlemi, MNIST veri kümesi kullanılarak el yazısıyla yazılmış bir rakam sınıflandırma modeli kullanılarak ayrıntılı olarak gösterilir ve ortaya çıkan TensorFlow modeli, örnek görüntülerle test edilir. Video ayrıca bir modelin Caffe2'den ONNX'e dönüştürülmesine kısaca değiniyor ve kullanıcıların ONNX'i daha fazla keşfetmesini öneriyor.

• 00:00:00 Videonun bu bölümünde, konuşmacı ONNX kullanılarak bir Python modelinin TensorFlow'a nasıl dönüştürüleceğini gösteriyor. Modelleri dönüştürürken izlenmesi gereken iki adım olduğunu açıklıyorlar: önce modeli istenen çerçevede eğitin ve ardından onu ONNX dosya biçimine dönüştürün. Oradan, TensorFlow veya PyTorch gibi istenen formata dönüştürülebilir. Konuşmacı daha sonra, MNIST veri setini kullanarak el yazısı rakam sınıflandırma modelini PyTorch'tan TensorFlow'a dönüştürmek için ONNX ve TensorFlow paketlerinin nasıl kullanılacağını gösterir. Gerekli paketlerin yüklenmesi, kitaplıkların içe aktarılması, modelin tanımlanması ve eğitim ve test oluşturulması dahil olmak üzere sürecin her adımını açıklarlar.
  fonksiyonlar. Not defteri kodu, kullanıcıların takip etmesi için kaynaklar bölümünde sağlanır.
  
  
• 00:05:00 Videonun bu bölümünde sunum yapan kişi bir PyTorch modelini eğitiyor ve onu .pth dosya biçiminde kaydediyor. Ardından, model yüklenir ve bir ONNX dosya formatına dönüştürülür. Dönüştürülen ONNX modeli daha sonra üç.png ve yedi.png görüntülerde işlevselliğini test etmek için TensorFlow'a yüklenir. Model, her iki görüntü için de doğru değerleri tahmin eder. Son olarak, ONNX modeli bir TensorFlow modeline dönüştürülür ve daha ileri tahminler için kullanılabilecek bir .pb dosya biçiminde kaydedilir. Genel olarak sunum yapan kişi, ONNX'in yardımıyla PyTorch modellerinin TensorFlow modellerine nasıl dönüştürüleceğini gösterir.
  
  
• 00:10:00 Videonun bu bölümünde, konuşmacı kendi modelini bir caffe2 modelinden ONNX'e nasıl dönüştürebileceğini tartışıyor. Konuşmacı, kodun önceden yazılmış olduğu ve gerekli tüm paketlerin mevcut olduğu not defterine bir bağlantı verdi. Konuşmacı, PyTorch'tan ONNX'e, PyTorch'tan Caffe2'ye ve TensorFlow'dan ONNX'e gibi olası tüm dönüşümlerin dizüstü bilgisayarda mevcut olduğunu açıklıyor. Konuşmacı, izleyicilere ONNX'i daha fazla keşfetmelerini ve daha iyi bir öğrenme deneyimi için gerçek zamanlı örnekleri denemelerini tavsiye ediyor. Son olarak konuşmacı videoyu bitirir ve izleyicilere diziyi izledikleri için teşekkür eder.