أفضل المكتبات والأدوات مفتوحة المصدر للتعلم العميق - تجربة ICLR 2020

من الصعب العثور على شخص في حبري لم يسمع عن الشبكات العصبية. الأخبار المنتظمة حول أحدث التطورات في الشبكات العصبية تدهش الجمهور العام ، كما تجذب المتحمسين والباحثين الجدد. لا يساهم الدفق الجاذب من المتخصصين في تحقيق نجاح أكبر للنماذج العصبية فحسب ، بل يؤدي أيضًا إلى تطوير أدوات لاستخدام أكثر ملاءمة لأساليب التعلم العميق. بالإضافة إلى أطر عمل Tensorflow و PyTorch المعروفة ، فإن المكتبات الأخرى تتطور بنشاط ، وغالبًا ما تكون أكثر مرونة ، ولكنها أقل شهرة. 



هذه المقالة هي ترجمة لإحدى منشورات neptune.ai وتسلط الضوء على أدوات التعلم العميق الأكثر إثارة للاهتمام والتي تم تقديمها في مؤتمر التعلم الآلي ICLR 2020. 

أين يتم إنشاء ومناقشة التعلم العميق المتقدم؟

أحد الأماكن الرئيسية لمناقشة التعلم العميق هو ICLR - المؤتمر الرائد حول التعلم العميق ، والذي عقد في 27-30 أبريل 2020. مع وجود أكثر من 5500 مشارك وحوالي 700 عرض تقديمي ومحادثة ، يعد هذا نجاحًا كبيرًا لحدث عبر الإنترنت بالكامل. يمكنك العثور على معلومات شاملة حول المؤتمر هنا ، هنا أو هنا .



كانت الاجتماعات الاجتماعية الافتراضية واحدة من أبرز أحداث ICLR 2020. قرر المنظمون إطلاق مشروع يسمى "أدوات وممارسات مفتوحة المصدر في أحدث أبحاث DL". تم اختيار الموضوع نظرًا لحقيقة أن مجموعة الأدوات المقابلة جزء لا مفر منه من عمل باحث التعلم العميق. أدى التقدم في هذا المجال إلى انتشار النظم البيئية الكبيرة (TensorFlow و PyTorch و MXNet) ، بالإضافة إلى الأدوات المستهدفة الأصغر التي تلبي الاحتياجات المحددة للباحثين.



كان الغرض من الحدث المذكور هو مقابلة المبدعين والمستخدمين لأدوات مفتوحة المصدر ، بالإضافة إلى تبادل الخبرات والانطباعات بين مجتمع التعلم العميق. في المجموع ، تم جمع أكثر من 100 شخص معًا ، بما في ذلك الملهمون الرئيسيون وقادة المشروع ، الذين أعطيناهم فترات زمنية قصيرة لعرض أعمالهم. فوجئ المشاركون والمنظمون بالتنوع الكبير والإبداع في الأدوات والمكتبات المقدمة.



تحتوي هذه المقالة على مشاريع مشرقة مقدمة من مرحلة افتراضية.

الأدوات والمكتبات

فيما يلي ثماني أدوات تم عرضها في ICLR مع نظرة عامة مفصلة على القدرات. 



يقدم كل قسم إجابات لعدد من النقاط بطريقة موجزة للغاية:

1. ما المشكلة التي تحلها الأداة / المكتبة؟
2. كيف يمكنني تشغيل أو إنشاء حالة استخدام قليلة؟
3. موارد خارجية للتعمق أكثر في المكتبة / الأداة.
4. الملف الشخصي لممثلي المشروع في حالة وجود رغبة في الاتصال بهم.

يمكنك الانتقال إلى قسم معين أدناه أو تصفحهم جميعًا واحدًا تلو الآخر. استمتع بالقراءة!

AmpliGraph

الموضوع: نماذج التضمين القائمة على الرسم البياني المعرفي.

لغة البرمجة: Python

بقلم: Luca Costabello

Twitter | ينكدين | جيثب | موقع



الرسوم البيانية المعرفة هي أداة مرنة لتمثيل الأنظمة المعقدة. سواء كانت شبكة اجتماعية ، أو مجموعة بيانات المعلوماتية الحيوية ، أو بيانات شراء التجزئة ، فإن نمذجة المعرفة في شكل رسم بياني تمكن المؤسسات من تحديد الاتصالات المهمة التي يمكن التغاضي عنها لولا ذلك.



يتطلب الكشف عن العلاقات بين البيانات نماذج خاصة للتعلم الآلي مصممة خصيصًا للعمل مع الرسوم البيانية.



AmpliGraphهي مجموعة من نماذج التعلم الآلي المرخصة بموجب Apache2 لاستخراج الزخارف من الرسوم البيانية المعرفية. تقوم هذه النماذج بترميز العقد وحواف الرسم البياني في شكل متجه وتجمعها للتنبؤ بالحقائق المفقودة. تُستخدم عمليات تضمين الرسم البياني في مهام مثل أعلى الرسم البياني المعرفي واكتشاف المعرفة والتجميع المستند إلى الارتباط وغيرها.



يقلل AmpliGraph من حاجز الدخول لموضوع تضمين الرسم البياني للباحثين من خلال إتاحة هذه النماذج للمستخدمين عديمي الخبرة. بالاستفادة من واجهة برمجة التطبيقات مفتوحة المصدر ، يدعم المشروع مجتمعًا من المتحمسين باستخدام الرسوم البيانية في التعلم الآلي. يتيح لك المشروع تعلم كيفية إنشاء وتصور الزخارف من الرسوم البيانية المعرفية بناءً على بيانات العالم الحقيقي وكيفية استخدامها في مهام التعلم الآلي اللاحقة.



للبدء ، يوجد أدناه جزء صغير من التعليمات البرمجية التي تدرب النموذج على إحدى مجموعات البيانات المرجعية وتتوقع الروابط المفقودة:





تولد نماذج التعلم الآلي لـ AmpliGraph زخارف رسوم بيانية ، وتمثيلات في مساحة المتجهات.



علاوة على ذلك ، يتم دمج حفلات الزفاف مع وظائف خاصة من أجل التنبؤ بالاتصالات الجديدة والتي لم يلاحظها أحد من قبل.



تم تطوير AmpliGraph في الأصل في Accenture Labs Dublin ، حيث يتم استخدامه في العديد من المشاريع الصناعية.

اندماج

منصة إعداد البيانات الجدولية

لغة البرمجة: Python

بقلم نيكولاس تيج على

تويتر | ينكدين | جيثب | موقع



Automungeهي مكتبة Python للمساعدة في إعداد البيانات الجدولية لاستخدامها في التعلم الآلي. من خلال مجموعة أدوات الحزمة ، يمكن إجراء تحويلات بسيطة لتنشيط الميزات لتطبيع الفجوات وترميزها وملءها. يتم تطبيق التحويلات على عينة التدريب الفرعية ثم يتم تطبيقها بنفس الطريقة على البيانات من العينة الفرعية للاختبار. يمكن إجراء التحويلات تلقائيًا أو تعيينها من مكتبة داخلية أو تكوينها بمرونة من قبل المستخدم. تتضمن خيارات السكان "الملء المستند إلى التعلم الآلي" ، حيث يتم تدريب النماذج على التنبؤ بالمعلومات المفقودة لكل عمود من أعمدة البيانات.



ببساطة:



الدمج الآلي (.) يقوم بإعداد بيانات جدولية لاستخدامها في التعلم الآلي ،



والاندماج اللاحق (.)تتم معالجة البيانات الإضافية بشكل تسلسلي وبكفاءة عالية.



Automunge متاح للتثبيت عبر نقطة:





بعد التثبيت ، ما عليك سوى استيراد المكتبة إلى Jupyter Notebook للتهيئة:





لمعالجة البيانات تلقائيًا من نموذج التدريب باستخدام المعلمات الافتراضية ، يكفي استخدام الأمر:





علاوة على ذلك ، للمعالجة اللاحقة للبيانات من العينة الفرعية للاختبار ، يكفي تشغيل أمر باستخدام قاموس postprocess_dict الذي تم الحصول عليه عن طريق استدعاء automunge (.) أعلاه:





يمكن استخدام معلمات التخصيص والتعيين في عملية النداء الآلي (.) لتحديد تفاصيل التحويل وأنواع البيانات لملء الفجوات. على سبيل المثال ، يمكن تعيين مقياس لمجموعة بيانات تحتوي على عمودين "عمود 1" و "عمود 2" استنادًا إلى الحد الأدنى والحد الأقصى للقيم ("mnmx") مع حشوة ML للعمود 1 والتشفير الساخن ("نص") مع الحشو على أساس القيمة الأكثر شيوعًا للعمود 2. ستتم معالجة البيانات من الأعمدة الأخرى غير المحددة صراحةً تلقائيًا.





الموارد والروابط



الموقع | جيثب | عرض موجز

DynaML

التعلم الآلي

للغة برمجة Scala : Scala

السؤال: Mandar Chandorkar

Twitter | ينكدين | GitHub 



DynaML عبارة عن مجموعة أدوات للبحث والتعلم الآلي تعتمد على Scala. يهدف إلى تزويد المستخدم ببيئة شاملة يمكن أن تساعد في:

• تطوير / النماذج الأولية للنماذج ،
• العمل مع خطوط الأنابيب الضخمة والمعقدة ،
• تصور البيانات والنتائج ،
• إعادة استخدام التعليمات البرمجية في شكل نصوص ودفاتر ملاحظات.

تستفيد DynaML من نقاط القوة في لغة Scala والنظام البيئي لخلق بيئة توفر الأداء والمرونة. يعتمد على مشاريع ممتازة مثل Ammonite scala و Tensorflow-Scala ومكتبة Breeze عالية الأداء للحسابات الرقمية .



المكون الرئيسي لـ DynaML هو REPL / shell ، الذي يتميز بإبراز بناء الجملة ونظام إكمال تلقائي متقدم.



انسخ أجزاء التعليمات البرمجية والصقها في سطر الأوامر لتشغيلها.



تأتي البيئة مع دعم التصور ثنائي الأبعاد وثلاثي الأبعاد ، ويمكن عرض النتائج مباشرة من غلاف الأوامر.



يتم عرض المخططات ثلاثية الأبعاد باستخدام jzy3d Java API . تسهل



وحدة أنابيب البيانات إنشاء خطوط أنابيب معالجة البيانات بطريقة معيارية سهلة التخطيط. قم بإنشاء وظائف ، وقم بلفها باستخدام مُنشئ DataPipe ، وقم ببناء كتل الوظائف باستخدام عامل التشغيل>.



تبدو معالجة تدفقات البيانات بديهية عندما يتم تقسيم خط الأنابيب منطقيًا إلى مراحل ، وفي كل خطوة يتم إجراء تحويل واحد.



تتوفر أيضًا ميزة تكامل دفتر Jupyter التجريبي ، ويحتوي دليل دفاتر الملاحظات في المستودع على العديد من الأمثلة لاستخدام DynaML-Scala Jupyter core.



يوضح الكمبيوتر المحمول ج الانحدار الخطي s ( دفتر الانحدار الخطي ) استخدام مستوى منخفض من API Tensorflow لحساب معاملات نموذج الانحدار الخطي. يحتوي



دليل المستخدم على مراجع ووثائق شاملة لمساعدتك على إتقان بيئة DynaML وتحقيق أقصى استفادة منها.



فيما يلي بعض التطبيقات المثيرة للاهتمام التي تسلط الضوء على نقاط القوة في DynaML:

• ألهمت الفيزياء الشبكات العصبية لحل معادلة برجر ونظام فوكر بلانك ،
• تدريب التعلم العميق ،
• نماذج العمليات الغوسية للتنبؤ بالسلاسل الزمنية الانحدار الذاتي.

جيثب الموارد والروابط | دليل المستخدم

العدار

مدير التكوين والمعلمات

لغة البرمجة: Python

أرسلت بواسطة Omry Yadan

Twitter | GitHub الذي تم 



تطويره بواسطة Facebook AI ، Hydra عبارة عن نظام أساسي Python يبسط تطوير تطبيقات البحث من خلال توفير القدرة على إنشاء التكوينات وتجاوزها باستخدام ملفات التكوين وسطر الأوامر. يوفر النظام الأساسي أيضًا دعمًا لتوسيع المعلمة تلقائيًا ، والتنفيذ عن بُعد والمتوازي عبر المكونات الإضافية ، وإدارة دليل العمل التلقائي ، واقتراح خيارات الإكمال بشكل ديناميكي بالضغط على مفتاح TAB.



يؤدي استخدام Hydra أيضًا إلى جعل الكود الخاص بك أكثر قابلية للنقل عبر بيئات تعلم الآلة المختلفة. يسمح لك بالتبديل بين محطات العمل الشخصية والمجموعات العامة والخاصة دون تغيير الرمز الخاص بك. يتم تحقيق ما سبق من خلال بنية معيارية.



مثال أساسي



يستخدم هذا المثال تكوين قاعدة بيانات ، ولكن يمكنك استبداله بسهولة بالنماذج أو مجموعات البيانات أو أي شيء آخر تحتاجه.



config.yaml:





my_app.py:





يمكنك تجاوز أي شيء في التكوين من سطر الأوامر:





مثال على التركيب:



قد ترغب في التبديل بين تكوينين مختلفين لقاعدة البيانات.



قم بإنشاء هيكل الدليل هذا:





config.yaml:





الإعدادات الافتراضية هي توجيه خاص يخبر Hydra باستخدام db / mysql.yaml عند تكوين كائن تكوين.



يمكنك الآن اختيار تكوين قاعدة البيانات المراد استخدامه ، وكذلك تجاوز قيم المعلمات من سطر الأوامر:





تحقق من البرنامج التعليمي لمعرفة المزيد.



بالإضافة إلى ذلك ، ستتوفر قريبًا ميزات جديدة مثيرة للاهتمام:

• التكوينات المكتوبة بشدة (ملفات التكوين المهيكلة) ،
• تحسين المعلمات الفائقة باستخدام الإضافات Ax و Nevergrad ،
• إطلاق AWS باستخدام المكون الإضافي Ray launcher ،
• إطلاق مواز محلي عبر البرنامج المساعد joblib وغير ذلك الكثير.

لرق

لغة برمجة الشبكات العصبية الثنائية : Python

بواسطة: Lucas Geiger

Twitter | ينكدين | GitHub 



Larq هو نظام بيئي لحزمة Python مفتوح المصدر لبناء وتدريب ونشر الشبكات العصبية الثنائية (BNNs). BNNs هي نماذج التعلم العميق التي لا يتم فيها ترميز التنشيط والأوزان باستخدام 32 أو 16 أو 8 بت ، ولكن باستخدام بت واحد فقط. يمكن أن يؤدي ذلك إلى تسريع وقت الاستدلال بشكل كبير وتقليل استهلاك الطاقة ، مما يجعل BNN مثاليًا للتطبيقات المحمولة والأجهزة الطرفية.



يتكون نظام Larq البيئي مفتوح المصدر من ثلاثة مكونات رئيسية.

1. Larq — , . API, TensorFlow Keras. . Larq BNNs, .
2. Larq Zoo BNNs, .   Larq Zoo , BNN .
3. Larq Compute Engine — BNNs. TensorFlow Lite MLIR Larq FlatBuffer, TF Lite. ARM64, , Android Raspberry Pi, , , BNN.

يعمل مؤلفو المشروع باستمرار على إنشاء نماذج أسرع وتوسيع نظام Larq البيئي ليشمل منصات أجهزة جديدة وتطبيقات التعلم العميق. على سبيل المثال ، يجري العمل حاليًا لدمج 8 بتات تكمية من طرف إلى طرف لتتمكن من تدريب ونشر مجموعات من الشبكات الثنائية والشبكات 8 بت باستخدام Larq.



الموارد والروابط



الموقع | جيثب لرق / لرق | جيثب لارك / حديقة حيوان | GitHub larq / محرك حساب | كتب مدرسية   | مدونة | تويتر

مكيرنيل

طرق Kernel في

لغة البرمجة الزمنية الخطية اللوغاريتمية : C / C ++

بواسطة: J. de Curtó i Díaz

Twitter | موقع الويب



أول مكتبة C ++ مفتوحة المصدر توفر تقريبيًا عشوائيًا للميزات لأساليب kernel وإطار عمل Deep Learning كامل.



يوفر McKernel أربعة استخدامات مختلفة.

1. كود Hadamard مفتوح المصدر وسريع البرق. للاستخدام في مجالات مثل الضغط أو التشفير أو الحوسبة الكمومية.
2. تقنيات نووية سريعة للغاية. يمكن استخدامها في أي مكان من أساليب SVM (دعم أسلوب المتجهات: ru.wikipedia.org/wiki/٪D0٪9C٪D0٪B5٪D1٪82٪D0٪BE٪D0٪B4_٪D0٪BE٪D0٪BF٪D0 ٪ BE٪ D1٪ 80٪ D0٪ BD٪ D1٪ 8B٪ D1٪ 85_٪ D0٪ B2٪ D0٪ B5٪ D0٪ BA٪ D1٪ 82٪ D0٪ BE٪ D1٪ 80٪ D0٪ BE٪ D0٪ B2 ) متفوقة على التعلم العميق. على سبيل المثال ، تتضمن بعض تطبيقات الروبوتات وبعض حالات استخدام التعلم الآلي في الرعاية الصحية وغيرها من المجالات التعلم الموحد واختيار القناة.
3. يسمح تكامل أساليب التعلم العميق والأساليب النووية بتطوير بنية التعلم العميق في اتجاه مجسم / رياضي مسبق.
4. إطار عمل بحث التعلم العميق لحل عدد من الأسئلة المفتوحة في التعلم الآلي.

تبدو المعادلة التي تصف جميع الحسابات كما يلي:





هنا الكتاب كرواد الشكلية المستخدمة لشرح استخدام أعراض عشوائية كما طرق ديب التعلم ، والتقنيات النووية . يستند الأساس النظري إلى أربعة عمالقة: Gauss و Wiener و Fourier و Kalman. تم وضع الأساس لهذا من قبل رحيمي وريخت (NIPS 2007) و Le et al. (ICML 2013).



استهداف المستخدم العادي



جمهور McKernel الأساسي هم الباحثون والممارسون في مجالات الروبوتات والتعلم الآلي للرعاية الصحية ومعالجة الإشارات والاتصالات الذين يحتاجون إلى التنفيذ الفعال والسريع في C ++. في هذه الحالة ، لا تستوفي معظم مكتبات التعلم العميق الشروط المحددة ، نظرًا لأنها تعتمد في الغالب على تطبيقات Python عالية المستوى. بالإضافة إلى ذلك ، قد يكون الجمهور ممثلين لمجتمع التعلم الآلي والتعلم العميق الأوسع ، الذين يبحثون عن تحسين بنية الشبكات العصبية باستخدام الأساليب النووية.



مثال مرئي بسيط للغاية لتشغيل مكتبة دون قضاء الوقت يبدو كما يلي:





ماذا بعد؟



التعلم الشامل ، التعلم الذاتي الإشراف ، التعلم التلوي ، التكامل مع الإستراتيجيات التطورية ، تقليل مساحة البحث بشكل كبير مع NAS ، ...



الموارد والروابط



GitHub | عرض كامل

محرك تدريب SCCH

إجراءات التشغيل الآلي

للغة برمجة التعلم العميق   : Python

السؤال من ناتاليا شيبليفا

تويتر | ينكدين | يعد



تطوير خط أنابيب نموذجي للتعليم العميق أمرًا قياسيًا إلى حد ما: معالجة البيانات ، وتصميم / تنفيذ المهمة ، والتدريب النموذجي ، وتقييم النتائج. ومع ذلك ، من مشروع إلى آخر ، يتطلب استخدامه مشاركة مهندس في كل مرحلة من مراحل التطوير ، مما يؤدي إلى تكرار نفس الإجراءات ، وتكرار الكود ، وفي النهاية ، يؤدي إلى حدوث أخطاء.



الهدف من محرك التدريب SCCH هو توحيد وأتمتة عملية تطوير التعلم العميق لإطار العمل الأكثر شيوعًا PyTorch و TensorFlow. تقلل بنية الإدخال الفردي من وقت التطوير وتحمي من الأخطاء.



لمن؟ 



تتميز البنية المرنة لمحرك التدريب SCCH بمستويين من تجربة المستخدم.



الأساسية. في هذا المستوى ، يجب على المستخدم توفير بيانات للتدريب وكتابة معلمات التدريب الخاصة بالنموذج في ملف التكوين. بعد ذلك ، سيتم تنفيذ جميع العمليات تلقائيًا ، بما في ذلك معالجة البيانات وتدريب النموذج والتحقق من النتائج. نتيجة لذلك ، سيتم الحصول على نموذج مدرب ضمن أحد الأطر الرئيسية.



المتقدمة.بفضل مفهوم المكونات المعيارية ، يمكن للمستخدم تعديل الوحدات وفقًا لاحتياجاته ، ونشر النماذج الخاصة به واستخدام وظائف الخسارة المختلفة ومقاييس الجودة. تسمح لك هذه البنية المعيارية بإضافة ميزات إضافية دون التدخل في تشغيل خط الأنابيب الرئيسي.





ماذا يمكن أن يفعل؟



القدرات الحالية:

• العمل مع TensorFlow و PyTorch ،
• خط أنابيب موحد لتحليل البيانات من تنسيقات مختلفة ،
• خط أنابيب موحد للتدريب النموذجي والتحقق من صحة النتائج ،
• دعم مهام التصنيف والتجزئة والكشف ،
• عبر دعم التحقق.

الميزات قيد التطوير:

• البحث عن النموذج الأمثل hyperparameters ،
• تحميل أوزان النموذج والتدريب من نقطة تحكم محددة ،
• دعم بنية GAN.

كيف تعمل؟ 



لرؤية محرك التدريب SCCH في كل مجده ، عليك أن تتخذ خطوتين.

1. ما عليك سوى نسخ المستودع وتثبيت الحزم المطلوبة باستخدام الأمر: pip install requirements.txt.
2. قم بتشغيل python main.py للاطلاع على دراسة حالة MNIST مع المعالجة والتدريب على نموذج LeNet-5.

يمكن العثور على جميع المعلومات حول كيفية إنشاء ملف التكوين وكيفية استخدام الميزات المتقدمة على صفحة GitHub .



إصدار مستقر مع ميزات أساسية: من المقرر إجراؤه في أواخر مايو 2020.



الموارد



والارتباطات GitHub   | موقع الكتروني

الرموز

لغة برمجة الرموز المميزة للنص : Rust with Python API

بواسطة: Anthony Mua

Twitter | ينكدين | يوفر GitHub 



huggingface / tokenizers الوصول إلى أحدث الرموز المميزة ، مع التركيز على الأداء والاستخدام متعدد الأغراض. تسمح لك الرموز المميزة بتدريب الرموز المميزة واستخدامها دون عناء. يمكن أن تساعدك الرموز المميزة بغض النظر عما إذا كنت باحثًا أو ممارسًا في مجال البرمجة اللغوية العصبية.



دلائل الميزات

• السرعة القصوى: لا ينبغي أن يكون الترميز عقبة في خط الأنابيب الخاص بك ، ولا تحتاج إلى معالجة بياناتك مسبقًا. بفضل تطبيق Rust الأصلي ، يستغرق ترميز وحدات غيغابايت من النص بضع ثوانٍ فقط.
• الإزاحات / المحاذاة: توفر تحكمًا في الإزاحة حتى عند معالجة النص بإجراءات تسوية معقدة. هذا يجعل من السهل استخراج النص لمهام مثل NER أو الإجابة على الأسئلة.
• المعالجة المسبقة: يعتني بأي معالجة مسبقة مطلوبة قبل إدخال البيانات في نموذج لغتك (الاقتطاع ، والحشو ، وإضافة الرموز المميزة الخاصة ، وما إلى ذلك).
• سهولة التعلم: تدريب أي رمز مميز على هيكل جديد. على سبيل المثال ، لم يكن تعلم رمز BERT بلغة جديدة أسهل من أي وقت مضى.
• متعدد اللغات: حزمة متعددة اللغات. يمكنك البدء في استخدامه الآن مع Python أو Node.js أو Rust. يستمر العمل في هذا الاتجاه!

مثال: 





وهلم جرا: 

• التسلسل إلى ملف واحد وتحميله في سطر واحد لأي رمز مميز ،
• دعم Unigram.

يرى Hugging Face أن مهمتهم هي المساعدة في تعزيز ودمقرطة البرمجة اللغوية العصبية. GitHub



Resources and Links



واجهة عناق / محولات | GitHub huggingface / tokenizers | تويتر

خاتمة

في الختام ، تجدر الإشارة إلى أن هناك عددًا كبيرًا من المكتبات المفيدة للتعلم العميق والتعلم الآلي بشكل عام ، ولا توجد طريقة لوصفها جميعًا في مقال واحد. ستكون بعض المشاريع الموضحة أعلاه مفيدة في حالات محددة ، وبعضها معروف بالفعل ، وبعض المشاريع الرائعة ، للأسف ، لم يتم تضمينها في المقالة.



نحن في CleverDATA نسعى جاهدين لمواكبة ظهور أدوات جديدة ومكتبات مفيدة ، بالإضافة إلى تطبيق مناهج جديدة بنشاط في عملنا المتعلق باستخدام التعلم العميق والتعلم الآلي. من ناحيتي ، أود أن ألفت انتباه القراء إلى هاتين المكتبتين اللتين لم يتم تضمينهما في المقالة الرئيسية ، لكنهما يساعدان بشكل كبير في العمل مع الشبكات العصبية: Catalyst (https://catalyst-team.com ) و Albumentation ( https://albumentations.ai/ ). 



أنا متأكد من أن كل متخصص ممارس لديه أدواته ومكتباته المفضلة ، بما في ذلك تلك التي لا يعرفها إلا القليل من الجمهور. إذا بدا لك أن أي أدوات مفيدة في عملك قد تم تجاهلها عبثًا ، فالرجاء كتابتها في التعليقات: حتى ذكرها في المناقشة سيساعد المشاريع الواعدة في جذب متابعين جدد ، وزيادة الشعبية ، بدورها ، تؤدي إلى تحسين الوظائف وتطوير أنفسهم المكتبات.



شكرا لاهتمامكم وآمل أن تكون مجموعة المكتبات المقدمة مفيدة في عملك!