دليل البنائين

إلى جانب مجموعات البيانات العملاقة والأجهزة القوية، لعبت أدوات البرامج الرائعة دورًا لا غنى عنه في التقدم السريع للتعلم العميق. بدءًا من مكتبة Theano الرائدة التي تم إصدارها في عام 2007، مكنت الأدوات مفتوحة المصدر المرنة الباحثين من وضع نماذج أولية للنماذج بسرعة، وتجنب العمل المتكرر عند إعادة تدوير المكونات القياسية مع الحفاظ على القدرة على إجراء تعديلات منخفضة المستوى. بمرور الوقت، تطورت مكتبات التعلم العميق لتقديم تجريدات خشنة بشكل متزايد. تمامًا كما انتقل مصممو أشباه الموصلات من تحديد الترانزستورات إلى الدوائر المنطقية إلى كتابة التعليمات البرمجية، انتقل باحثو الشبكات العصبية من التفكير في سلوك الخلايا العصبية الاصطناعية الفردية إلى تصور الشبكات من حيث الطبقات الكاملة، والآن غالبًا ما يصممون البنى مع وضع الكتل الخشنة coarser blocks في الاعتبار.

حتى الآن، قدمنا ​​بعض مفاهيم التعلم الآلي الأساسية، لتكثيف نماذج التعلم العميق كاملة الوظائف. في الفصل الأخير، قمنا بتنفيذ كل مكون من مكونات MLP من البداية وحتى أوضحنا كيفية الاستفادة من واجهات برمجة التطبيقات API عالية المستوى لطرح نفس النماذج دون عناء. للوصول إلى هذا الحد بهذه السرعة، استدعينا المكتبات، لكننا تخطينا المزيد من التفاصيل المتقدمة حول كيفية عملها. في هذا الفصل، سنقوم بكشف الستارة، والبحث بشكل أعمق في المكونات الرئيسية لحساب التعلم العميق، وهي بناء النموذج model construction، والوصول إلى المعلمات وتهيئتها، وتصميم الطبقات والكتل المخصصة، وقراءة النماذج وكتابتها على القرص، والاستفادة من وحدات معالجة الرسومات GPU لتحقيق التعجيل الدراماتيكي. ستنقلك هذه الأفكار من مستخدم نهائي end user إلى مستخدم قوي power user، مما يمنحك الأدوات اللازمة لجني فوائد مكتبة التعلم العميق الناضجة مع الاحتفاظ بالمرونة في تنفيذ نماذج أكثر تعقيدًا، بما في ذلك النماذج التي تخترعها بنفسك! في حين أن هذا الفصل لا يقدم أي نماذج أو مجموعات بيانات جديدة، فإن فصول النمذجة المتقدمة التي تليها تعتمد بشكل كبير على هذه التقنيات.

رابط الكتاب