backprop

backprop " style="largeur maximale : 100 % ;">

backprop simplifie l'utilisation, l'ajustement et le déploiement de modèles ML de pointe.

Résolvez diverses tâches avec des modèles pré-entraînés ou affinez-les en une seule ligne pour vos propres tâches.

Tâches prêtes à l'emploi que vous pouvez résoudre avec backprop :

• Réponse aux questions conversationnelles en anglais
• Classification de texte dans plus de 100 langues
• Classement des images
• Vectorisation de texte dans plus de 50 langues
• Vectorisation d'images
• Résumé en anglais
• Détection d'émotions en anglais
• Génération de texte

Pour des cas d'utilisation plus spécifiques, vous pouvez adapter une tâche avec peu de données et une seule ligne de code via un réglage fin.

⚡ Pour commencer	Installation, introduction de quelques minutes
Exemples	Exemples de mise au point et d'utilisation
? Documents	Documentation détaillée sur l'inférence et le réglage des tâches
Modèles	Aperçu des modèles disponibles

Commencer

Installation

Installez backprop via PyPi :

pip install backprop

Inférence de tâches de base

Les tâches agissent comme des interfaces qui vous permettent d'utiliser facilement une variété de modèles pris en charge.

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"

Vous pouvez exécuter toutes les tâches et tous les modèles sur votre propre machine, ou en production avec notre API d'inférence, simplement en spécifiant votre api_key .

Découvrez comment utiliser toutes les tâches disponibles.

Mise au point et téléchargement de base

Chaque tâche implémente un réglage fin qui vous permet d'adapter un modèle à votre cas d'utilisation spécifique en une seule ligne de code.

Un modèle affiné est facile à télécharger en production, vous permettant ainsi de vous concentrer sur la création d'applications exceptionnelles.

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" )

Voir réglage fin pour d'autres tâches.

Pourquoi backprop ?

1. Aucune expérience nécessaire

   • L’entrée dans l’IA pratique devrait être simple
   • Obtenez des performances de pointe dans votre tâche sans être un expert

2. Les données sont un goulot d'étranglement

   • Résolvez des tâches du monde réel sans aucune donnée
   • Avec l'apprentissage par transfert, même une petite quantité de données peut adapter une tâche aux besoins de votre niche.

3. Il existe une multitude de modèles

   • Nous proposons une sélection organisée des meilleurs modèles open source et les rendons simples à utiliser
   • Quelques modèles généraux peuvent accomplir plus avec moins d'optimisation

4. Déployer des modèles de manière rentable est un travail difficile

   • Si nos modèles conviennent à votre cas d'usage, aucun déploiement n'est nécessaire : il suffit d'appeler notre API
   • Adaptez et déployez votre propre modèle avec seulement quelques lignes de code
   • Notre API évolue, est toujours disponible et vous ne payez que pour l'utilisation

Exemples

• Résolvez n'importe quelle tâche basée sur du texte avec Finetuning (Github, Colab)
• Rechercher des images à l'aide de texte (Github)
• Trouver des réponses à partir d'un texte (Github)
• Plus d'exemples de réglages fins et de tâches

Documentation

Consultez nos documents pour une inférence et un réglage approfondi des tâches.

Centre de modèles

Liste organisée de modèles de pointe.

Démos

Classification d'images sans prise de vue avec CLIP.

Crédits

backprop s'appuie sur de nombreuses excellentes bibliothèques pour fonctionner, notamment :

• PyTorch
• Foudre PyTorch
• Transformateurs
• Transformateurs de phrases
• EfficaceNet PyTorch
• AGRAFE

Retour

Vous avez trouvé un bug ou avez des idées pour de nouvelles tâches et de nouveaux modèles ? Ouvrez un problème.