Призыв к участию!

Учитывая широкий спектр инструментов, созданных для управления решениями машинного обучения (ML), создание и развертывание моделей машинного обучения для приложений должно быть проще.

На GitHub вы найдете множество проектов, в которых исследователи и практики в области науки о данных публикуют наборы инструментов с открытым исходным кодом для разработки моделей машинного обучения. Ниже приведены лишь некоторые из них:

Ясно, что часть нашего сообщества действительно хочет отдавать, обучая и обеспечивая следующее поколение. В одиночку, поможет ли это зажечь новую волну приложений и решений на основе ml?

Две проблемы

  1. Каждый инструмент уникален; различные цели, настройки среды, терминология, параметры времени выполнения, пользовательские интерфейсы и т. д. Поскольку большая часть технологического мира все еще сбита с толку нюансами конвейеров обработки данных, на мой взгляд, эта проблема только способствует распространению несовместимых парадигм машинного обучения.
  2. Они не централизованы, чтобы потенциальный пользователь мог получить к ним доступ. Несопоставимое расположение также требует, чтобы вы знали, что ищете, когда ищете…

Если бы только был способ нормализовать (в максимально возможной степени) и централизовать доступность этих наборов инструментов.

Добро пожаловать Parago

Parago, ласково известный как pgo, - это инструмент командной строки, который мы используем здесь, в Skafos, для быстрого создания и распространения генераторов моделей машинного обучения , что делает их настраиваемыми для новых вариантов использования. Вдохновленный Yeoman, Homebrew и даже NPM, Parago позволяет заинтересованному пользователю погрузиться в машинное обучение, делая.

Генераторы

Генераторы - это хлеб с маслом компании Parago. Это шаблоны, представленные сообществом, которые, как минимум, должны включать код, выполняющий следующие задачи:

  1. Загрузить данные обучения
  2. Обучите модель машинного обучения с настраиваемыми параметрами времени выполнения
  3. Экспорт модели в другой формат: Core ML или TF Lite.
  4. Разверните модель на каком-либо внешнем сервисе: Skafos, AWS, GCP, Algorithmia и т. д.

pgo объединяет каждую из этих (и не только) задач в высокоуровневые команды. Установленная грамматика интерфейса командной строки помогает нормализовать терминологию и задачи таким образом, чтобы специалисты, не являющиеся специалистами в области мл, могли осмыслить.

Пример

Нет лучшего способа объяснить pgo дальше, чем просто показать вам!

# Install and Setup from NPM
$ npm install -g parago
$ pgo setup
# List out all available generators
$ pgo list
# Create a new project from a generator
$ pgo create my-proj -g turicreate-image-classifier
# Create and activate the included env
$ cd my-proj/
$ conda env create -f environment.yml
$ conda activate turicreate-image-classifier
# Load training data
$ pgo data load
# Train image classifier
$ pgo train --env epochs=100,batch_size=128
# Export model to Core ML format
$ pgo export --env output=coreml
# Deploy model to Skafos for mobile delivery
$ pgo deploy

Два пользователя Parago

Работая с Parago, вы обычно подходите под одно из следующих описаний:

  1. Сообразительность в машинном обучении → Создатели генераторов
  2. ML-Curious → Потребители генераторов

Параго связывает обе эти две группы.

Заинтересованы в использовании одного из доступных генераторов? Скачайте pgo и приступайте к работе!

Хотите представить генератор для доступа других? Посмотрите это репо с двумя начальными генераторами и сделайте пиар! Нам нужно больше!!

Мы сделали этот проект открытым, поэтому мы всегда ищем новые идеи и предложения, которые исходят от ВАС!