backprop

backprop "style="largura máxima: 100%;">

backprop simplifica o uso, o ajuste e a implantação de modelos de ML de última geração.

Resolva uma variedade de tarefas com modelos pré-treinados ou ajuste-os em uma linha para suas próprias tarefas.

Tarefas prontas para uso que você pode resolver com backprop :

• Resposta a perguntas de conversação em inglês
• Classificação de texto em mais de 100 idiomas
• Classificação de imagens
• Vetorização de texto em mais de 50 idiomas
• Vetorização de imagens
• Resumo em inglês
• Detecção de emoções em inglês
• Geração de Texto

Para casos de uso mais específicos, você pode adaptar uma tarefa com poucos dados e uma única linha de código por meio de ajuste fino.

⚡ Primeiros passos	Instalação, introdução em poucos minutos
Exemplos	Exemplos de ajuste e uso
? Documentos	Documentação detalhada sobre inferência e ajuste fino de tarefas
Modelos	Visão geral dos modelos disponíveis

Começando

Instalação

Instale backprop via PyPi:

pip install backprop

Inferência básica de tarefas

As tarefas atuam como interfaces que permitem usar facilmente uma variedade de modelos suportados.

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"

Você pode executar todas as tarefas e modelos em sua própria máquina ou em produção com nossa API de inferência, simplesmente especificando seu api_key .

Veja como usar todas as tarefas disponíveis.

Ajuste básico e upload

Cada tarefa implementa ajustes que permitem adaptar um modelo para seu caso de uso específico em uma única linha de código.

Um modelo ajustado é fácil de carregar para produção, permitindo que você se concentre na criação de ótimos aplicativos.

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 fino para outras tarefas.

Por que backprop ?

1. Não é necessária experiência

   • A entrada na IA prática deve ser simples
   • Obtenha desempenho de última geração em sua tarefa sem ser um especialista

2. Os dados são um gargalo

   • Resolva tarefas do mundo real sem quaisquer dados
   • Com a aprendizagem por transferência, mesmo uma pequena quantidade de dados pode adaptar uma tarefa aos requisitos do seu nicho

3. Há uma enorme quantidade de modelos

   • Oferecemos uma seleção selecionada dos melhores modelos de código aberto e os tornamos simples de usar
   • Alguns modelos gerais podem realizar mais com menos otimização

4. Implantar modelos de maneira econômica é um trabalho árduo

   • Se nossos modelos forem adequados ao seu caso de uso, nenhuma implantação será necessária: basta ligar para nossa API
   • Adapte e implante seu próprio modelo com apenas algumas linhas de código
   • Nossa API é escalonável, está sempre disponível e você só paga pelo uso

Exemplos

• Resolva qualquer tarefa baseada em texto com Finetuning (Github, Colab)
• Pesquise imagens usando texto (Github)
• Encontrando respostas no texto (Github)
• Mais exemplos de ajustes e tarefas

Documentação

Confira nossos documentos para inferência detalhada e ajuste fino de tarefas.

Centro de modelo

Lista selecionada de modelos de última geração.

Demonstrações

Classificação de imagem zero-shot com CLIP.

Créditos

backprop depende de muitas bibliotecas excelentes para funcionar, principalmente:

• PyTorch
• Relâmpago PyTorch
• Transformadores
• Transformadores de frases
• EfficientNet PyTorch
• GRAMPO

Opinião

Encontrou um bug ou tem ideias para novas tarefas e modelos? Abra um problema.