backpropダウンロード - backpropソースコードのダウンロード

backprop

AI ソースコード

1.0.0

ダウンロード

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

backprop使用すると、最先端の ML モデルの使用、微調整、デプロイが簡単になります。

事前トレーニングされたモデルを使用してさまざまなタスクを解決したり、独自のタスクに合わせて 1 行でモデルを微調整したりできます。

backpropを使用してすぐに使えるタスクを解決できます。

英語での会話的な質問応答
100 以上の言語でのテキスト分類
画像の分類
50 以上の言語でのテキストのベクトル化
画像のベクトル化
英語での要約
英語での感情検知
テキストの生成

より具体的な使用例では、微調整を通じて、少量のデータと 1 行のコードを含むタスクを適応させることができます。

⚡ はじめに	インストール、数分の導入
例	微調整と使用例
?ドキュメント	タスクの推論と微調整に関する詳細なドキュメント
モデル	利用可能なモデルの概要

はじめる

インストール

PyPi 経由でbackpropインストールします。

pip install backprop

基本的なタスクの推論

タスクは、サポートされているさまざまなモデルを簡単に使用できるようにするインターフェイスとして機能します。

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"

api_key指定するだけで、すべてのタスクとモデルを独自のマシン上で実行することも、推論 API を使用して運用環境で実行することもできます。

利用可能なすべてのタスクの使用方法をご覧ください。

基本的な微調整とアップロード

各タスクは、単一行のコードでモデルを特定のユースケースに適応させる微調整を実装します。

微調整されたモデルは実稼働環境に簡単にアップロードできるため、優れたアプリケーションの構築に集中できます。

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" )

他のタスクについては微調整を参照してください。

なぜbackpropのか？

経験は必要ありません
- 実用的な AI への入り口はシンプルであるべき
- 専門家でなくてもタスクで最先端のパフォーマンスを実現できます
データがボトルネックになる
- データなしで現実世界のタスクを解決する
- 転移学習を使用すると、少量のデータでもタスクをニッチな要件に適応させることができます
モデルの数が圧倒的に多い
- 私たちは厳選された最高のオープンソースモデルを提供し、それらを使いやすくしています。
- いくつかの一般的なモデルは、少ない最適化でより多くのことを達成できます
コスト効率よくモデルを導入するのは大変な作業です
- 当社のモデルがお客様のユースケースに適合する場合、デプロイメントは必要ありません。当社の API を呼び出すだけです。
- わずか数行のコードで独自のモデルを適応させてデプロイする
- 当社の API は拡張性があり、いつでも利用でき、料金は使用した分だけお支払いいただけます。