【框架】为降低机器学习开发者门槛,苹果发布了Turi Create框架

近日,苹果在GitHub上发布了Turi Create框架。苹果表示,这个框架旨在通过简化机器学习模型的开发,降低开发者构建模型的门槛。详细说明如下:

Turi Create

Turi Create简化了自定义机器学习模型的开发。你不需要成为机器学习的专家,即可为你的程序添加推荐,对象检测,图像分类,图像相似度识别或活动分类。

  • 易于使用:让你聚焦于任务而不是算法
  • 可视化:内置的流式可视化功能可以探索你的数据
  • 灵活:支持文本,图像,音频,视频和传感器数据
  • 快速和可扩展性:可在单台机器上处理大型数据集
  • 易于准备配置:模型导出到Core ML,即可用于iOS,macOS,watchOS和tvOS应用程序

示例:带有少量代码的图像分类器

如果你希望你的应用程序识别图像中的特定对象,可以使用以下几行代码创建自己的模型:

import turicreate as tc

# Load data
data= tc.SFrame('photoLabel.sframe')

# Create a model
model= tc.image_classifier.create(data, target='photoLabel')

# Make predictions
predictions= model.predict(data)

# Export to Core ML
model.export_coreml('MyClassifier.mlmodel')

你可以轻易地在iOS应用程序中使用生成的模型:

使用Turi Create,你可以处理很多常见的场景:

  • 推荐系统
  • 图像分类
  • 图像相似度检测
  • 对象检测
  • 活动分类器
  • 文本分类器

你还可以使用基本的机器学习模型做成基于算法的工具包:

  • 分类
  • 回归
  • 图谱分析
  • 聚类
  • 最近邻元素
  • 主题模型

支持的平台

Turi Create支持:

  • macOS 10.12+
  • Linux(依赖于glibc 2.12+)
  • Windows 10(需要WSL)

系统要求

  • Python 2.7(即将支持Python 3.5+)
  • x86_64架构

安装

Linux不同变种的安装详细说明,参阅LINUX_INSTALL.md。常见的安装问题,参阅INSTALL_ISSUES.md。

我们推荐使用环境virtualenv,安装或建立Turi Create。请务必使用你的系统pip安装virtualenv。

pip install virtualenv

安装Turi Create的方法参照标准的python包安装步骤。要创建一个名为venv的Python虚拟环境,请参照以下步骤:

# Create a Python virtual environment
cd ~
virtualenv venv

要激活新的虚拟环境并在此环境中安装Turi Create,请按照下列步骤操作:

# Active your virtual environment
source ~/venv/bin/activate

# Install Turi Create in the new virtual environment, pythonenv
(venv) pip install-U turicreate

文档

软件包用户指南和API文档包含更多关于如何使用Turi Create的细节。

GPU支持

Turi Create不一定需要GPU,但某些模型可以通过使用GPU加速。要在安装turicreate包后启用GPU支持,请执行以下步骤:

  • 安装CUDA 8.0(说明)
  • 为CUDA 8.0安装cuDNN 5(说明)

确保将CUDA库路径添加到LD_LIBRARY_PATH环境变量。通常情况下,这意味着将以下行添加到 ~/.bashrc文件中:

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

如果你将cuDNN文件安装到单独的目录中,请确保单独添加它。下一步是卸载mxnet并安装启用CUDA的mxnet-cu80包:

(venv) pip uninstall-y mxnet
(venv) pip install mxnet-cu80==0.11.0

确保你安装的MXNet版本与turicreate依赖的版本相同(当前为0.11.0)。如果你在设置GPU时遇到困难,可参阅MXNet安装说明。

从源代码构建

如果你想从源代码构建Turi Create,请参阅BUILD.md。

提交贡献

请参阅CONTRIBUTING.md。

GitHub链接:https://github.com/apple/turicreate

原文发布于微信公众号 - ATYUN订阅号(atyun_com)

原文发表时间:2017-12-11

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

TensorFlow 1.2.0新版本发布:新增Intel MKL优化深度学习基元

2004
来自专栏AI科技大本营的专栏

教程 | 如何在手机上使用TensorFlow

? 翻译 | AI科技大本营 参与 | zzq 审校 | reason_W 我们知道,TensorFlow是一个深度学习框架,它通常用来在服务器上训练需要大量...

5027
来自专栏逸鹏说道

Bootstrap-Select 动态加载数据的小记

关于前端框架系列的可以参考我我刚学Bootstrap时候写的LoT.UI http://www.cnblogs.com/dunitian/p/4822808.h...

2729
来自专栏从流域到海域

Ubuntu16.04使用Anaconda5搭建TensorFlow使用环境 图文详细教程

本文转载于:http://blog.csdn.net/solo95/article/details/78960389,即专栏作者本人的博客,保留所有版权,禁止转...

2675
来自专栏大数据智能实战

微软开源认知服务CNTK的测试(语音训练)

前段时间,微软开源了认知服务的工具箱,直到近期才有时间进行测试。 看了文档,这个CNTK工具包还是非常厉害的,可以支持语音识别,图像分类,机器翻译等多种任务。里...

2235
来自专栏每日一篇技术文章

OpenGL ES _ 高级03_调试工具

411
来自专栏10km的专栏

Windows下MSYS2中编译OpenBLAS过程记录

OpenBLAS(https://github.com/xianyi/OpenBLAS)目前已经提供了CMakeLists.txt,在Windows下可以通过c...

55211
来自专栏腾讯云serverless的专栏

使用 Serverless 进行 AI 预测推理

本文演示如何使用腾讯云的 SCF 无服务器云函数来实现 AI Serving 能力。

2.8K60
来自专栏MelonTeam专栏

[译]Android TensorFlow机器学习示例

原文地址:<https://blog.mindorks.com/android-tensorflow-machine-learning-example- ff...

1966
来自专栏深度学习思考者

Caffe for windows 训练minst和cifar-10

前言 今天刚看了看Theano,本来打算试着改改,再深入学习学习(这就是所谓的深度学习啊,亲们!哈哈)。由于扣扣好友在训练CIFAR-10数据集,所以就在昨天配...

2156

扫描关注云+社区