تنزيل backprop - تنزيل كود مصدر backprop

backprop

كود الذكاء الاصطناعي

1.0.0

تنزيل

backprop " style="max-width: 100%;">

يجعل backprop من السهل استخدام نماذج ML الحديثة وضبطها ونشرها.

قم بحل مجموعة متنوعة من المهام باستخدام نماذج مدربة مسبقًا أو قم بضبطها في سطر واحد لمهامك الخاصة.

المهام الجاهزة التي يمكنك حلها باستخدام backprop :

الإجابة على سؤال المحادثة باللغة الإنجليزية
تصنيف النص بأكثر من 100 لغة
تصنيف الصور
تحويل النص إلى أكثر من 50 لغة
تحويل الصورة
تلخيص باللغة الإنجليزية
كشف المشاعر باللغة الانجليزية
توليد النص

للحصول على حالات استخدام أكثر تحديدًا، يمكنك تعديل مهمة باستخدام القليل من البيانات وسطر واحد من التعليمات البرمجية عبر الضبط الدقيق.

⚡ البدء	التثبيت، مقدمة بضع دقائق
أمثلة	أمثلة الضبط والاستخدام
؟ المستندات	وثائق متعمقة حول استنتاج المهمة وضبطها
نماذج	نظرة عامة على النماذج المتاحة

ابدء

تثبيت

تثبيت backprop عبر PyPi:

backprop">

pip install backprop

استنتاج المهمة الأساسية

تعمل المهام كواجهات تتيح لك استخدام مجموعة متنوعة من النماذج المدعومة بسهولة.

backprop context = "Take a look at the examples folder to see use cases!" qa = backprop .QA() # Start building! answer = qa("Where can I see what to build?", context) print(answer) # Prints "the examples folder"">

 import backprop

context = "Take a look at the examples folder to see use cases!"

qa = backprop . QA ()

# Start building!
answer = qa ( "Where can I see what to build?" , context )

print ( answer )
# Prints
"the examples folder"

يمكنك تشغيل جميع المهام والنماذج على جهازك الخاص، أو في الإنتاج باستخدام واجهة برمجة تطبيقات الاستدلال الخاصة بنا، وذلك ببساطة عن طريق تحديد api_key الخاص بك.

تعرف على كيفية استخدام جميع المهام المتاحة.

الضبط الأساسي والتحميل

تنفذ كل مهمة ضبطًا دقيقًا يتيح لك تكييف نموذج لحالة الاستخدام المحددة الخاصة بك في سطر واحد من التعليمات البرمجية.

من السهل تحميل النموذج المضبوط إلى الإنتاج، مما يتيح لك التركيز على إنشاء تطبيقات رائعة.

backprop tg = backprop .TextGeneration("t5-small") # Any text works as training data inp = ["I really liked the service I received!", "Meh, it was not impressive."] out = ["positive", "negative"] # Finetune with a single line of code tg.finetune({"input_text": inp, "output_text": out}) # Use your trained model prediction = tg("I enjoyed it!") print(prediction) # Prints "positive" # Upload to backprop for production ready inference # Describe your model name = "t5-sentiment" description = "Predicts positive and negative sentiment" tg.upload(name=name, description=description, api_key="abc")">

 import backprop

tg = backprop . TextGeneration ( "t5-small" )

# Any text works as training data
inp = [ "I really liked the service I received!" , "Meh, it was not impressive." ]
out = [ "positive" , "negative" ]

# Finetune with a single line of code
tg . finetune ({ "input_text" : inp , "output_text" : out })

# Use your trained model
prediction = tg ( "I enjoyed it!" )

print ( prediction )
# Prints
"positive"

# Upload to backprop for production ready inference
# Describe your model
name = "t5-sentiment"
description = "Predicts positive and negative sentiment"

tg . upload ( name = name , description = description , api_key = "abc" )

انظر الضبط الدقيق للمهام الأخرى.

لماذا backprop ؟

لا حاجة للخبرة
- يجب أن يكون الدخول إلى الذكاء الاصطناعي العملي بسيطًا
- احصل على أداء متطور في مهمتك دون أن تكون خبيرًا
البيانات هي عنق الزجاجة
- حل مهام العالم الحقيقي دون أي بيانات
- من خلال نقل التعلم، يمكن حتى لكمية صغيرة من البيانات تكييف المهمة وفقًا لمتطلباتك المتخصصة
هناك عدد هائل من النماذج
- نحن نقدم مجموعة مختارة من أفضل النماذج مفتوحة المصدر ونجعلها سهلة الاستخدام
- يمكن لبعض النماذج العامة تحقيق المزيد بتحسين أقل
إن نشر النماذج بفعالية من حيث التكلفة هو عمل شاق
- إذا كانت نماذجنا تناسب حالة الاستخدام الخاصة بك، فلن تكون هناك حاجة للنشر: ما عليك سوى الاتصال بواجهة برمجة التطبيقات (API) الخاصة بنا
- قم بتكييف النموذج الخاص بك ونشره باستخدام بضعة أسطر فقط من التعليمات البرمجية
- موازين API الخاصة بنا متاحة دائمًا، ولا تدفع إلا مقابل الاستخدام