زنگ زدگی برای مهندسان هوش مصنوعی: از بین بردن قدرت عملکرد و ایمنی

زنگ فقط یک زبان برنامه نویسی سیستم نیست. این یک است تغییر بازی برای مهندسان هوش مصنوعی. زنگ زدگی با عملکرد سریع ، ایمنی حافظه و اکوسیستم در حال رشد ، بی سر و صدا در شیوه ساخت سیستم های هوشمند متحول می شود. اگر یک مهندس هوش مصنوعی هستید که به دنبال این هستید که از محدودیت های زبانهای سنتی خلاص شوید ، دست و پنجه نرم کنید! در این مقاله ، ما شیرجه می شویم مثالهای ذهنی از جعبه های زنگ زدگی که باعث می شود شما تعجب کنید که چرا زودتر به زنگ زدگی تغییر نکرده اید.

1 tch-rs: pytorch در زنگ زدگی؟ بله ، واقعی است!

• چه کاری انجام می دهد: tch-rs قدرت Pytorch را به زنگ زدگی می آورد. هم اکنون می توانید شبکه های عصبی را با همان سهولت در پایتون بسازید ، آموزش دهید و مستقر کنید.
• چرا عالی است: تصور کنید که یک مدل یادگیری عمیق را در زنگ زدگی آموزش دهید و آن را در یک محیط با کارایی بالا و ایمن به کار بگیرید. نه بیشتر تنگناهای پایتون گیل!

• نمونه: بیایید یک شبکه عصبی ساده را برای طبقه بندی رقم های دستنویس (MNIST) آموزش دهیم.

   use tch::{nn, nn::Module, nn::OptimizerConfig, Device, Tensor};
  
   fn main() {
       let vs = nn::VarStore::new(Device::Cpu);
       let net = nn::seq()
           .add(nn::linear(&vs.root(), 784, 128, Default::default()))
           .add_fn(|xs| xs.relu())
           .add(nn::linear(&vs.root(), 128, 10, Default::default()));
  
       let mut opt = nn::Adam::default().build(&vs, 1e-3).unwrap();
       let input = Tensor::randn(&[64, 784], (tch::Kind::Float, Device::Cpu));
       let output = net.forward(&input);
       println!("Output: {:?}", output);
   }
  

شما فقط یک شبکه عصبی را در Rust آموزش داده اید. نه پایتون ، بدون سازش.

2 ndarray: numpy ، اما سریعتر و ایمن تر

• چه کاری انجام می دهد: ndarray آرایه ها و عملیات N بعدی را دقیقاً مانند Numpy ، اما با عملکرد و ایمنی Rust فراهم می کند.
• چرا عالی است: خداحافظی از خطاهای زمان اجرا و سلام به ضمانت های کامپایل.

• نمونه: بیایید ضرب ماتریس و عملیات عناوین را انجام دهیم.

   use ndarray::prelude::*;
  
   fn main() {
       let a = array![[1., 2.], [3., 4.]];
       let b = array![[5., 6.], [7., 8.]];
       let c = a.dot(&b); // Matrix multiplication
       let d = &a + &b;   // Element-wise addition
       println!("Matrix product:\n{}", c);
       println!("Element-wise sum:\n{}", d);
   }
  

شما فقط جبر خطی را در زنگ زدگی انجام دادید ، و این بود سریعتر از numpy.

3 smartcore: یادگیری ماشین ساده ساخته شده است

• چه کاری انجام می دهد: smartcore یک کتابخانه یادگیری ماشین است که الگوریتم هایی را برای طبقه بندی ، رگرسیون و خوشه بندی ارائه می دهد.
• چرا عالی است: مثل Scikit-Learn است ، اما در زنگ زدگی. شما می توانید بدون ترک ایمنی اکوسیستم Rust ، مدل هایی بسازید.

• نمونه: بیایید یک مدل رگرسیون لجستیک را آموزش دهیم.

   use smartcore::linalg::naive::dense_matrix::DenseMatrix;
   use smartcore::linear::logistic_regression::LogisticRegression;
   use smartcore::metrics::accuracy;
  
   fn main() {
       let x = DenseMatrix::from_2d_array(&[
           &[5.1, 3.5, 1.4, 0.2],
           &[4.9, 3.0, 1.4, 0.2],
           &[7.0, 3.2, 4.7, 1.4],
           &[6.4, 3.2, 4.5, 1.5],
       ]);
       let y = vec![0, 0, 1, 1];
  
       let model = LogisticRegression::fit(&x, &y, Default::default()).unwrap();
       let preds = model.predict(&x).unwrap();
       println!("Accuracy: {}", accuracy(&y, &preds));
   }
  

شما فقط یک مدل یادگیری ماشین را در Rust ساخته اید ، و این بود آسانبشر

4 rust-bert: NLP مثل قبل هرگز

• چه کاری انجام می دهد: rust-bert مدل های از پیش آموزش داده شده را برای کارهای پردازش زبان طبیعی ، مانند طبقه بندی متن و تجزیه و تحلیل احساسات فراهم می کند.
• چرا عالی است: اکنون می توانید بدون تکیه بر پایتون ، کارهای پیشرفته NLP را در زنگ زدگی انجام دهید.

• نمونه: بیایید احساسات یک جمله را تحلیل کنیم.

   use rust_bert::pipelines::sentiment::SentimentModel;
  
   fn main() {
       let model = SentimentModel::new(Default::default()).unwrap();
       let input = vec!["I love Rust!", "I hate bugs."];
       let output = model.predict(&input);
       println!("Sentiment: {:?}", output);
   }
  

شما فقط تجزیه و تحلیل احساسات را در زنگ زدگی انجام داده اید ، و این بود سریعبشر

5 plotters: داده های خود را به سبک تجسم کنید

• چه کاری انجام می دهد: plotters یک کتابخانه تجسم داده است که به شما امکان می دهد نمودارها و نمودارهای خیره کننده ایجاد کنید.
• چرا عالی است: اکنون می توانید داده های خود را در زنگ زدگی ، بدون تکیه بر Matplotlib Python ، تجسم کنید.

• نمونه: بیایید موج سینوسی را ترسیم کنیم.

   use plotters::prelude::*;
  
   fn main() -> Result<(), Box<dyn std::error::Error>> {
       let root = BitMapBackend::new("sine_wave.png", (640, 480)).into_drawing_area();
       root.fill(&WHITE)?;
       let mut chart = ChartBuilder::on(&root)
           .caption("Sine Wave", ("sans-serif", 50).into_font())
           .build_cartesian_2d(-3.14..3.14, -1.0..1.0)?;
       chart.draw_series(LineSeries::new(
           (-314..314).map(|x| x as f64 / 100.0).map(|x| (x, x.sin())),
           &RED,
       ))?;
       Ok(())
   }
  

شما فقط یک طرح زیبا در زنگ زدگی ایجاد کرده اید ، و این بود بی دردسربشر

6 rust-cv: دید رایانه در زنگ زدگی

• چه کاری انجام می دهد: rust-cv ابزارها و الگوریتم هایی را برای کارهای بینایی رایانه ای ، مانند پردازش تصویر و تشخیص شی ارائه می دهد.
• چرا عالی است: اکنون می توانید بدون تکیه بر OpenCV یا Python ، برنامه های Vision Computer Vision را در زنگ زدگی بسازید.

• نمونه: بیایید یک تاری گاوسی را برای یک تصویر بمالیم.

   use rust_cv::image::Image;
   use rust_cv::filter::gaussian_blur;
  
   fn main() {
       let img = Image::open("image.jpg").unwrap();
       let blurred = gaussian_blur(&img, 5.0);
       blurred.save("blurred.jpg").unwrap();
   }
  

شما فقط یک تصویر را در زنگ زدگی پردازش کردید ، و این بود رعد و برق سریعبشر

7 linfa: Scikit-Learn Rust

• چه کاری انجام می دهد: linfa یک کتابخانه یادگیری ماشین با هدف کلی با الهام از Scikit-Learn است.
• چرا عالی است: اکنون می توانید خطوط لوله یادگیری ماشین نهایی را در زنگ زدگی بسازید.

• نمونه: بیایید یک طبقه بندی کننده درخت تصمیم را آموزش دهیم.

   use linfa::prelude::*;
   use linfa_datasets::iris;
   use linfa_trees::DecisionTree;
  
   fn main() {
       let (train, valid) = iris().split_with_ratio(0.8);
       let model = DecisionTree::params().fit(&train).unwrap();
       let preds = model.predict(&valid);
       println!("Accuracy: {}", preds.accuracy(&valid));
   }
  

شما فقط یک درخت تصمیم را در زنگ زد شهودیبشر

نتیجه گیری: زنگ زدگی آینده هوش مصنوعی است

زنگ فقط یک زبان نیست ؛ این یک است تغییر پارادایم برای مهندسان هوش مصنوعی. با عملکرد ، ایمنی و اکوسیستم در حال رشد ، زنگ زدگی آماده می شود تا به زبان تبدیل سیستم های هوشمند تبدیل شود. این که آیا شما در حال آموزش شبکه های عصبی ، پردازش زبان طبیعی یا تجسم داده ها هستید ، Rust ابزارهایی را که لازم دارید دارد خلاقیت خود را رها کنیدبشر

خوب ، منتظر چه چیزی هستید؟ به زنگ زدگی شیرجه بزنید و آینده مهندسی هوش مصنوعی را تجربه کنید.