النص الكامل 3009 الكلمات، وعندما يكون التعلم مدى المتوقع 9 دقيقة

المصدر: raincent

هل تعلم؟ أصبحت مايكروسوفت وجوجل والفيسبوك، والأمازون، اوبر وغيرها من عمالقة التكنولوجيا واحد من قسم الأبحاث (AI) من أكثر المساهمين النشطين في مجال الذكاء الاصطناعي إطار مفتوح المصدر.

وقد تم الجمع بين مساهماتها مع حلول اختبار على نطاق واسع في المنزل في كومة، وكذلك بعض الأفكار متقدمة جدا من المختبرات البحثية. بينما أكبر شركة تكنولوجيا في العالم يمكن أن تسهم بفعالية في المصادر المفتوحة التعلم العميق هو مثير، لكنه جعل البيانات الصعب على العلماء لمواكبة التطورات الجديدة في هذا المجال. اليوم، ونحن نريد لأبحاث الذكاء الاصطناعي (FAIR) ثلاثة نسخة مفتوحة المصدر الجديد الشهر الماضي إلى الحديث عن الفيسبوك.

تحت اتجاه النمو السريع، وهذا سوف يكون له أي تأثير؟

وقد FAIR عمق مجال الدراسة والبحث الإطار مفتوحة المصدر للمساهمين منتظم. من PyTorch إلى ONNX، قدم فريق FAIR لتطبيقات التعلم عمق تبسيط المساهمات لا يصدق. في الأسابيع القليلة الماضية، وأضاف FAIR ثلاث مجموعات جديدة من إطار مفتوح المصدر.

Polygames

Polygames هو إطار مفتوح المصدر، عن طريق لعبة التدريب الذاتي لشبكة التعلم عميقة. Polygames على أساس "التعلم الصفر" مفهوم الشهير الذي يسمح للعامل من دون أي تدريب محدد مسبقا، ولكن من خلال التفاعل مع البيئة من السيطرة على البيئة.

للوهلة الأولى، Polygames تعلم الإطار مع ألعاب أخرى يبدو ألفا صفر، أو ELF OpenGo وما شابه ذلك، ولكن لديه كومة FAIR أيضا مساهمتها الخاصة. بالنسبة للمبتدئين، ودعم Polygames استراتيجية أوسع قائمة اللعبة، مثل عرافة، Havannah، Minishogi، Connect6، كاسحة الألغام، العقل المدبر، أينشتاين wurfelt NICHT !، Nogo وعطيل. أنها توفر بيئة أوسع للباحثين لاختبار عمق شبكة التعلم.

وبالإضافة إلى ذلك، Polygames أيضا إلى بنية بارعة يمتد المفهوم التقليدي للتعليم الصفر، وهندسة الشبكات العصبية يجمع بين العمق ومونتي كارلو طريقة البحث شجرة. هذه العمارة يسمح التعميم إلى المزيد من المهام والبيئات. فوائد غير متوقعة من إطار Polygames هو خلق عامل اللدونة العصبية. Polygames نموذج تدريجي - إطار وجود طبقة قناة ولإضافة نصوص جديدة أو زيادة العرض من جوهر - أنها قادرة على تدريب بداية ساخنة مع تدريب الشبكة العصبية مما يسمح للنمو.

من وجهة نظر وجهة نموذج البرمجة للعرض، يوفر Polygames مكتبة الذي يحتوي على اللعبة، واللعبة لتحقيق API ملف واحد. المطورين ذوي الخبرة وPyTorch يقوم، لذلك من السهل الاستخدام.

قدم فريق FAIR بعض الإنجازات البارزة في Polygames، بما في ذلك البشر للفوز على لاعبين كبار في اللعبة Hex19. اللعبة تتكون من الشاعر، عالم الرياضيات بيتر هاين (بيت هاين)، جون ناش (جون ناش) والاقتصاديين في 1940s المتقدمة، فإنه يتحدى بعض من اللعبة التقليدية لعمليات التفكير الإنسان. القواعد بسيطة. الأبيض والأسود وملء بالتتابع خلية فارغة. إذا قمت بالاتصال الشمال والجنوب، والفوز الأسود، وإذا كان الغرب والشرق لربط فوز الأبيض. يحكم الفطائر لجعل اللعبة أكثر عدلا: عندما تتحرك مرة الثانية، يمكن للاعب الثاني يقرر الألوان المبادلة.

وتكمن الصعوبة في هذه اللعبة، لأنه كما اتصال اللعبة، ويستند مكافأة لها على الصعيد العالمي بدلا من المعايير المحلية.

في سلسلة من التجارب، وفاز Polygames اللاعبين رأس الإنسان في عرافة اللعبة. نتائج المبينة أدناه، في الرسومات، واللاعبين البشري لمعالجة القطع البيضاء. الصورة الأولى تمثيل عرافة بدء. في المرحلة الثانية من اللعبة، والرجل (الأبيض) ويبدو ان الفوز - ترتبط الصلبة المجموعتين إلى الشرق والغرب، على مقربة من بعضها البعض ومتصلة مع بعضها البعض. ومع ذلك، Polygames تكون قادرة على عكس هذا الوضع، وخلق موقع مركزي معقدة نوعا ما. مع Polygames باستخدام أحد مسارين محتملين، وجدت مزيجا وتوسيع هذا الموقف.

تم Polygames مفتوحة المصدر على جيثب

PyTorch3D

PyTorch3D هو إطار لتدريب شبكة التعلم عمق في بيئة 3D. وعلى الرغم من وجود عدد كبير من احتياجات جهاز المخابرات البصرية للتشغيل في العالم الحقيقي، ولكن هذا النوع من التدريب أدوات وأطر وكيل لا تزال مقيدة للغاية في بيئة 3D. PyTorch3D هي مكتبة نموذجية وبقدر كبير، مع ميزات فريدة من نوعها مصممة لجعل استخدام PyTorch 3D عمق التعلم أكثر سهولة. العروض PyTorch3D بسرعة اختلاف 3D البيانات من مجموعة مشتركة من 3D المشغل وفقدان وظيفة، والصغير وحدات تلفت API، مما يسمح للباحثين لهذه الوظائف في نظام التعلم العميق الأكثر تقدما الحالي فورا.

PyTorch3D الاستفادة من أحدث علامة فارقة في الآونة الأخيرة 3D عمق التعلم، مثل FAIR في MeshR-CNN، التي تنفذ على صورة كاملة من المساحة الداخلية المعقدة إعادة الإعمار وجوه 3D. الإطار أيضا استخدام Detectron2، هذه هي مكتبة الاعتراف 2D الأمثل للغاية، كائن يمكن دفع بنجاح لفهم البعد الثالث. PyTorch3D دوران المقبض وظيفة تحويل 3D هو خلق نواة من C3DPO، C3DPO هو طريقة جديدة لدراسة الصلة بين بيانات التدريب وشرح الصورة أقل استخدام الأشكال 3D.

وتشمل بعض المساهمات مفتاح PyTorch3D:

لتخزين ومعالجة هياكل البيانات تنسجم الثلاثي: يتم تخزين PyTorch3D تمثيل 3D في بنية بيانات تسمى شبكة (تنسجم) من. هذا الهيكل بيانات يسمح للباحثين بسهولة وسرعة تحويل البيانات الشبكة الأساسية إلى وجهات نظر مختلفة، لتتناسب مع البيانات الأكثر كفاءة يشير المشغل.

على كفاءة تشغيل الثلاثي شبكة: PyTorch3D تتكون من سلسلة من العمليات لفقدان تحسين وظيفة من عدة عوامل شائعة الاستخدام و3D البيانات، ومدخلات دعم دفعة غير المتجانسة. وهذا يعني أن الباحثين والمهندسين يمكن استيراد PyTorch3D المشغل لتنفيذ التجربة بشكل أسرع، دون الحاجة إلى إعادة استخدام أو عامل في بداية كل مشروع جديد.

للاختلاف شبكة العارض: وتشمل PyTorch3D العارض للاختلاف وحدات. وحدات قد تكون مجتمعة من تكوين العارض، بحيث يمكن للمستخدم مدد بسهولة لدعم مخصصة إضاءة العارض أو تأثيرات التظليل.

PyTorch3D انظر جيثب

HiPlot

استكشاف البيانات الأبعاد عالية هي واحدة من تطبيقات التعلم التحديات العمق. HiPlot هو أداة التصور التفاعلية التي تساعد وجد الباحثون منظمة العفو الدولية أن البيانات الأبعاد عالية، وأنماط الارتباط، واستخدام التين موازية تمثيلها بيانيا وغيرها من المعلومات. يستخدم HiPlot تقنية تعرف باسم الرسم البياني مواز، وهو تصفية البيانات وعالية الأبعاد البصرية لتسهيل الممارسة.

من جهة نظر وظيفية، HiPlot لديها العديد من المزايا أكثر من أدوات التصوير الأخرى:

التفاعل: في HiPlot في FIG بالتوازي غير تفاعلية، مما يجعل سيناريوهات مختلفة تصور بسهولة. على سبيل المثال، يمكنك التركيز على أو على طول النطاق أو القيمة المكتسبة وافر من المحاور، وفقا لتقدم رمح آخر نظام الألوان، إعادة ترتيب أو حذف رمح، أو اختيار استخراج البيانات المحددة.

* البساطة: خطوط استخدام Hiplot سوى عدد قليل من التعليمات البرمجية. قبل ملقمات مع قيادة "Hiplot"، يمكنك تمرير URL نظرا إلى الوصول إليه، واستخدامها لتصور وإدارة وحصة التجارب.

التصور التدريب القائم على السكان: HiPlot يوفر وسيلة سهلة لتصور XY الرسم البياني السكان التدريب القائم التجريبية، وهذا الرقم، ونقاط البيانات هي حواف مختلفة. هذا التصور تحظى بشعبية كبيرة في تجارب التعلم العمق.

Hiplot انظر جيثب

في عدة مناطق في عمق التعلم، يواصل فريق FAIR الفيسبوك على الابتكار والمساهمة الفعالة في مجتمع المصادر المفتوحة. PyTorch3D، Polygames وHiPlot هو أحدث مساهمة في FAIR، وتهدف إلى تبسيط تنفيذ تطبيقات التعلم عميقة.

نتوقع أن يكون هناك مزيد من التقدم!

انتباه رسالة الابهام

معا نحن نشارك في التعلم وتطوير AI الجاف

مثل طبع، يرجى ترك رسالة وراء الكواليس، والامتثال للمعايير طبع