backprop

backprop " estilo="ancho máximo: 100%;">

backprop simplifica el uso, el ajuste y la implementación de modelos de aprendizaje automático de última generación.

Resuelva una variedad de tareas con modelos previamente entrenados o ajústelos en una línea para sus propias tareas.

Tareas listas para usar que puedes resolver con backprop :

• Respuesta a preguntas conversacionales en inglés.
• Clasificación de texto en más de 100 idiomas
• Clasificación de imágenes
• Vectorización de texto en más de 50 idiomas
• Vectorización de imágenes
• Resumen en inglés
• Detección de emociones en inglés.
• Generación de texto

Para casos de uso más específicos, puede adaptar una tarea con pocos datos y una sola línea de código mediante un ajuste fino.

⚡ Empezando	Instalación, introducción de unos minutos.
Ejemplos	Ejemplos de ajuste y uso
? Documentos	Documentación detallada sobre inferencia de tareas y ajuste
Modelos	Resumen de modelos disponibles

Empezando

Instalación

Instale backprop a través de PyPi:

pip install backprop

Inferencia de tareas básicas

Las tareas actúan como interfaces que le permiten utilizar fácilmente una variedad de modelos compatibles.

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"

Puede ejecutar todas las tareas y modelos en su propia máquina o en producción con nuestra API de inferencia, simplemente especificando su api_key .

Vea cómo utilizar todas las tareas disponibles.

Ajuste básico y carga

Cada tarea implementa ajustes que le permiten adaptar un modelo para su caso de uso específico en una sola línea de código.

Un modelo ajustado es fácil de cargar en producción, lo que le permite concentrarse en crear aplicaciones excelentes.

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" )

Consulte ajuste para otras tareas.

¿Por qué backprop ?

1. No se necesita experiencia

   • El acceso a la IA práctica debería ser sencillo
   • Obtenga un rendimiento de última generación en su tarea sin ser un experto

2. Los datos son un cuello de botella

   • Resuelve tareas del mundo real sin ningún dato
   • Con el aprendizaje por transferencia, incluso una pequeña cantidad de datos puede adaptar una tarea a los requisitos de su nicho

3. Hay una abrumadora cantidad de modelos.

   • Ofrecemos una selección curada de los mejores modelos de código abierto y los hacemos fáciles de usar.
   • Algunos modelos generales pueden lograr más con menos optimización

4. Implementar modelos de manera rentable es un trabajo duro

   • Si nuestros modelos se adaptan a su caso de uso, no es necesaria ninguna implementación: simplemente llame a nuestra API
   • Adapta e implementa tu propio modelo con solo unas pocas líneas de código
   • Nuestra API escala, siempre está disponible y usted solo paga por el uso

Ejemplos

• Resuelva cualquier tarea basada en texto con Finetuning (Github, Colab)
• Buscar imágenes usando texto (Github)
• Encontrar respuestas a partir de texto (Github)
• Más ejemplos de tareas y ajustes

Documentación

Consulte nuestros documentos para realizar inferencias y ajustes detallados de tareas.

Centro de modelos

Lista seleccionada de modelos de última generación.

Población

Clasificación de imágenes zero-shot con CLIP.

Créditos

backprop depende de muchas bibliotecas excelentes para funcionar, en particular:

• PyTorch
• Rayo PyTorch
• Transformadores
• Transformadores de oraciones
• PyTorch eficiente
• ACORTAR

Comentario

¿Encontró un error o tiene ideas para nuevas tareas y modelos? Abra un problema.