APK Blog - Virtualization, Services, Datacenter, Infrastructure

ارائه مدل‌های جدید یادگیری ماشینی با ONNX

در فرمت‌های مدل‌ یادگیری ماشینیِ مایکروسافت و فیسبوک، Developerها می‌توانند آزادانه چارچوب‌ها را انتخاب نموده و مدل‌های به دست‌ آمده را بدون زحمت به اشتراک بگذارند.

شرکت‌های مایکروسافت و فیسبوک، اخیرا از پروژه مشترکی خبر داده‌اند که تبادل مدل‌های به دست‌آمده از چارچوب‌های (Firmware) مختلف یادگیری ماشینی را برای تحلیلگران تسهیل می‌نماید.

فرمت Open Neural Network Exchange یا به اختصار ONNX، به ارائه یک روش معمول برای عرضه داده‌های مورد استفاده توسط شبکه‌های عصبی (Neural Network) می‌پردازد. اغلب این چارچوب‌ها دارای فرمت خاص خود برای مدل می‌باشند که فقط با مدل‌های به دست آمده از سایر چارچوب‌ها و از طریق یک ابزار Conversion کار می‌کنند.

با ONNX، امکان جابجایی مدل‌ها به راحتی و بدون فرآیند تبدیل بین چارچوب‌های مختلف امکانپذیر می‌شود. ضمن اینکه مدل به دست آمده از یک چارچوب را می‌توان توسط چارچوب دیگری برای استنتاج به کار گرفت.

شرکت مایکروسافت ادعا می‌کند که عدم نیاز به انجام فرآیند تبدیل بین فرمت‌های مدل صرفا یکی از مزایای فرمت ONNX بوده و مزیت‌های کلی آن فراتر و بیشتر از این می‌باشد. برای مثال از آنجاییکه هر چارچوب برای موارد کاربردی مختلف قابل بهینه‌سازی می‌باشد، Developerها قابلیت انتخاب چارچوبی را دارند که کار و جریان کاری فعلی را نشان می‌دهد و برخی از آنها عبارتند از: آموزش و دستیابی سریع، پشتیبانی از معماری‌‌های انعطاف‌پذیر شبکه، استنتاج در مورد تجهیزات سیار و موارد دیگر.

شرکت APK (امن پایه ریزان کارن) دارای مجرب ترین تیم طراحی شبکه و نخستین شرکت دانش محور در اجرای پروژه های انفورماتیکی کشور

همچنین فیسبوک اعلام کرد: تعداد کمی از چارچوب‌های مهم فعلی از ONNX پشتیبانی می‌کنند. Caffe2، PyTorch (از پروژه‌های فیسبوک) و Cognitive Toolkit (از پروژه‌های مایکروسافت) به زودی قادر به ارائه پشتیبانی از این Firmware خواهند بود. به گفته این شرکت می‌توان مدل‌های به دست آمده‌ی یکی از چارچوب‌های فوق را جهت استنتاج به چارچوب دیگری منتقل نمود.

بهرحال جریان پشتیبانی ONNX در حال حاضر تمامی موارد را پوشش نمی‌دهد. در مورد PyTorch مشخص گردید که برخی از برنامه‌های پیشرفته مربوط به کنترل جریان به صورت Dynamic، هنوز از پشتیبانی ONNX به طور کامل بهره‌مند نشده‌اند.

در حال حاضر کاملا مشخص نیست که اندازه‌های مدل ONNX چگونه با موارد کاربردی معمول و موجود مطابقت می‌یابد. برای مثال شرکت Apple به طراحی فرمت Core ML پرداخته است که قابلیت پیاده‌سازی مدل‌های کوچک اما دقیق و ارائه آن از تجهیزات کاربر نهایی مانند آیفون امکانپذیر نموده است اما یکی از معایب این فرمت، اختصاصی بودن آن برای شرکت Apple می‌باشد. بنابراین یکی از اهداف بلندمدت ONNX آن است که روند ارائه مدل‌ها مطابق با تعداد زیادی از اهداف را تسهیل نماید.

اشتراک ایمیل