Введение в тензорный поток и его преимущества перед другими платформами машинного обучения

Обзор

Tensorflow - это платформа машинного обучения с открытым исходным кодом, разработанная Google. Он имеет библиотеку JavaScript для развертывания моделей машинного обучения в браузере, облегченную версию для мобильных устройств и устройств Интернета вещей и расширенную версию для крупных производственных сред.

Преимущества

  1. Tensorflow предоставляет несколько дополнительных библиотек и ресурсов для развертывания ваших производственных моделей в любом месте. (предоставляет модели для экспериментов)
  2. Благодаря множеству уровней абстракции tenorflow дает вам простой и гибкий опыт построения моделей, подходящий как для экспертов, так и для новичков.
  3. Используя высокопроизводительные API-интерфейсы, вы получаете полный контроль над своими расширенными моделями, чтобы быстро отлаживать или легко создавать прототипы этих моделей. (Функциональный API Keras и API создания подклассов)

Машинное обучение

Машинное обучение позволяет программному обеспечению выполнять работу за вас без явных инструкций или правил, которыми она руководствуется. В реальных приложениях ML гораздо больше используется для анализа данных и считается «программированием с данными». Этот образ мышления «программирование с использованием данных» включает в себя процесс решения проблем, показанный на этой блок-схеме.

Нейронные сети

Нейронные сети - это модели, состоящие как минимум из трех слоев, которые можно обучить распознавать шаблоны (входные и выходные слои и как минимум 1 скрытый слой: преобразует входные данные во что-то, что может использовать выходной слой). Они работают так же, как человеческий разум, с нейронами на каждом слое, обучающимися все более абстрактным представлениям данных. Эти представления позволяют нейронной сети классифицировать данные. Эти сети обучаются с использованием градиентного спуска, который представляет собой алгоритм оптимизации, который итеративно находит самый быстрый способ уменьшить функцию. В машинном обучении это позволяет нам обновлять параметры (веса: обучаемые параметры) на каждом уровне нашей модели. Веса начинаются со случайных значений, которые со временем корректируются, чтобы повысить точность прогнозов модели. Функция потерь используется для количественной оценки неточности сети, и с помощью процесса, называемого обратным распространением, сеть определяет, следует ли увеличивать или уменьшать каждый вес, чтобы уменьшить потери или неточность сети .

Компании, внедряющие Tensorflow

Кока-Кола

Программы лояльности Coca-Cola пользуются огромной популярностью, и в них вводятся миллионы кодов продуктов для рекламных акций и розыгрышей, которые первоначально использовались через настольные браузеры; однако из-за роста количества просмотров на мобильных устройствах компании пришлось создать удобный мобильный пользовательский интерфейс, чтобы обеспечить дальнейший успех этих программ. Ручное «перетаскивание» 14-значных кодов на мобильные устройства ухудшит удобство работы пользователя, к которому так стремятся. Используя Tensorflow, была создана нейронная сеть для распознавания кодов в изображениях. Любые символы, которые считались неправильными, будут исправлены пользователями, которые генерируют полезные обучающие данные, чтобы в следующий раз лучше идентифицировать. Окончательная модель имела точность распознавания символов 99,7%, что означает всего 3 промаха на 1000 предсказаний.

Airbnb

Airbnb предлагает миллионы домов по всему миру, помимо цены и местоположения, фотографии в списке имеют решающее значение при принятии решения о том, где остановиться. Компания должна была разработать способ, позволяющий точно передавать информацию на изображениях, а также давать советы хозяевам о том, как сделать изображение более привлекательным. Как они могли классифицировать, маркировать и предоставлять отзывы о миллионах отправляемых фотографий? С помощью Tensorflow было создано масштабируемое решение для категоризации фотографий по типам комнат и определения удобств в списке. Модель также обрабатывала подписи, используя данные из небольшого пула фотографий, помеченных третьими сторонами, для маркировки остальных фотографий. Эта модель улучшила впечатления гостей, посоветовав хозяевам предоставить более качественные фотографии и обеспечив гостям возможность хорошо рассмотреть дом, прежде чем принять решение.

Naver

Naver - крупнейшая поисковая система в Южной Корее, а также поставщик услуг высшего уровня. Naver необходимо было обеспечить должное удовлетворение каждой из многочисленных потребностей своих клиентов, поэтому они решили использовать чат-бота. Однако им нужен был чат-бот, который мог бы обучаться каждому вопросу и отвечать адаптивно. Модель была обучена с использованием текстовых данных, и с помощью обработки естественного языка (NLP) она анализировала мельчайшие значимые единицы (морфемы) предложений, чтобы определить, что они означают и какие ответ будет наиболее ассоциироваться с этим. Обучение моделей может занять минуты или часы в зависимости от размера входных данных. После завершения процедуры Tensorflow преобразует ее в файлы, готовые к развертыванию на сервере для взаимодействия с клиентами, обеспечивая плавный и интуитивно понятный интерфейс для клиентов Naver.