backprop

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

backprop vereinfacht die Verwendung, Feinabstimmung und Bereitstellung modernster ML-Modelle.

Lösen Sie vielfältige Aufgaben mit vorab trainierten Modellen oder optimieren Sie diese in einer Linie für Ihre eigenen Aufgaben.

Out-of-the-Box-Aufgaben, die Sie mit backprop lösen können:

• Konversationsfragenbeantwortung auf Englisch
• Textklassifizierung in über 100 Sprachen
• Bildklassifizierung
• Textvektorisierung in über 50 Sprachen
• Bildvektorisierung
• Zusammenfassung auf Englisch
• Emotionserkennung auf Englisch
• Textgenerierung

Für spezifischere Anwendungsfälle können Sie eine Aufgabe mit wenigen Daten und einer einzigen Codezeile per Feinabstimmung anpassen.

⚡ Erste Schritte	Installation, wenige Minuten Einführung
Beispiele	Feinabstimmung und Anwendungsbeispiele
? Dokumente	Ausführliche Dokumentation zur Aufgabeninferenz und Feinabstimmung
Modelle	Übersicht der verfügbaren Modelle

Erste Schritte

Installation

backprop über PyPi installieren:

pip install backprop

Grundlegende Aufgabeninferenz

Aufgaben fungieren als Schnittstellen, die Ihnen die einfache Nutzung verschiedener unterstützter Modelle ermöglichen.

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"

Sie können alle Aufgaben und Modelle auf Ihrem eigenen Computer oder in der Produktion mit unserer Inferenz-API ausführen, indem Sie einfach Ihren api_key angeben.

Erfahren Sie, wie Sie alle verfügbaren Aufgaben nutzen können.

Grundlegende Feinabstimmung und Hochladen

Jede Aufgabe implementiert eine Feinabstimmung, mit der Sie ein Modell in einer einzigen Codezeile an Ihren spezifischen Anwendungsfall anpassen können.

Ein fein abgestimmtes Modell lässt sich einfach in die Produktion hochladen, sodass Sie sich auf die Entwicklung großartiger Anwendungen konzentrieren können.

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" )

Weitere Aufgaben finden Sie unter Feinabstimmung.

Warum backprop ?

1. Keine Erfahrung erforderlich

   • Der Einstieg in die praktische KI sollte einfach sein
   • Holen Sie sich bei Ihrer Aufgabe die modernste Leistung, ohne ein Experte zu sein

2. Daten sind ein Flaschenhals

   • Lösen Sie reale Aufgaben ohne Daten
   • Beim Transferlernen kann bereits eine kleine Datenmenge eine Aufgabe an Ihre Nischenanforderungen anpassen

3. Es gibt eine überwältigende Menge an Modellen

   • Wir bieten eine kuratierte Auswahl der besten Open-Source-Modelle und machen sie einfach zu verwenden
   • Einige allgemeine Modelle können mit weniger Optimierung mehr erreichen

4. Die kosteneffiziente Bereitstellung von Modellen ist harte Arbeit

   • Wenn unsere Modelle zu Ihrem Anwendungsfall passen, ist keine Bereitstellung erforderlich: Rufen Sie einfach unsere API auf
   • Passen Sie Ihr eigenes Modell mit nur wenigen Codezeilen an und stellen Sie es bereit
   • Unsere API ist skalierbar, immer verfügbar und Sie zahlen nur für die Nutzung

Beispiele

• Lösen Sie jede textbasierte Aufgabe mit Finetuning (Github, Colab)
• Suche nach Bildern mithilfe von Text (Github)
• Antworten aus Text finden (Github)
• Weitere Feinabstimmungs- und Aufgabenbeispiele

Dokumentation

Schauen Sie sich unsere Dokumente an, um detaillierte Aufgabenableitungen und Feinabstimmungen zu erhalten.

Modell-Hub

Kuratierte Liste modernster Modelle.

Demos

Zero-Shot-Bildklassifizierung mit CLIP.

Credits

backprop ist auf viele großartige Bibliotheken angewiesen, vor allem auf:

• PyTorch
• PyTorch Lightning
• Transformatoren
• Satztransformatoren
• EfficientNet PyTorch
• CLIP

Rückmeldung

Haben Sie einen Fehler gefunden oder Ideen für neue Aufgaben und Modelle? Öffnen Sie ein Problem.