नेट्रॉन, न्यूरल नेटवर्क मॉडेल्सची कल्पना करण्यासाठी एक प्रोग्राम

पुढील लेखात आपण नेट्रोनचा आढावा घेणार आहोत. हे आहे मॉडेल पाहण्यासाठी एक कार्यक्रम मज्जासंस्था नेटवर्क. हे ऍप्लिकेशन जे इलेक्ट्रॉन/नोडजेएस वापरते आणि एमआयटी परवान्याअंतर्गत प्रकाशित होते, आम्ही ते Gnu/Linux, macOS, Windows सिस्टीमवर आणि वेब ब्राउझरवरून चालवू शकतो.

हा कार्यक्रम Lutz Roeder यांनी तयार केला होता. नेट्रोन हे एक ओपन सोर्स टूल आहे जे तुम्हाला न्यूरल नेटवर्क मॉडेल्सची कल्पना करू देते हे आम्हाला मॉडेलच्या संरचनेचे विश्लेषण करण्यास अनुमती देईल आणि अशा प्रकारे ते अपेक्षित डिझाइनशी जुळत असल्याचे सुनिश्चित करेल. हे विविध फ्रेमवर्क आणि मॉडेल फॉरमॅटशी सुसंगत सॉफ्टवेअर आहे.

नेट्रोन समर्थित स्वरूप

नेट्रोन फॉरमॅटसाठी समर्थन आहे जसे ते आहेतः

• ONX(.onnx, .pb, .pbtxt)
• केरस (.h5, .keras)
• टेन्सर फ्लो लाइट (.tflite)
• कॅफे (.caffemodel, .prototxt)
• डार्कनेट (. सीएफजी)
• कोर एमएल (.ml मॉडेल)
• MNN (.mnn)
• MXNet (.मॉडेल, -symbol.json)
• ncnn (.परम)
• पॅडलपॅडल (.zip, __मॉडेल__)
• कॅफे2 (predict_net.pb)
• बाराकुडा (.nn)
• टेंगीन (.tmfile)
• TNN (.tnnproto)
• आरकेएनएन (.rknn)
• माइंडस्पोर लाइट (मि)
• उफ (.uff)

याव्यतिरिक्त नेट्रोन देखील साठी प्रायोगिक समर्थन आहे; TensorFlow (.pb, .meta, .pbtxt, .ckpt, .index), PyTorch (.pt, .pth), TorchScript (.pt, .pth), OpenVINO (.xml), Torch (.t7), Arm NN (.armnn), BigDL (.bigdl, .model), Chainer (.npz, .h5), CNTK (.model, .cntk), Deeplearning4j (.zip), MediaPipe (.pbtxt), ML.NET (.zip) ), scikit-learn (.pkl), TensorFlow.js (model.json, .pb).

उबंटूवर नेट्रोन न्यूरल नेटवर्क व्ह्यूअर स्थापित करा

वेब ब्राउझरवरून चाचणी घ्या

हा प्रोग्राम स्थापित करण्याचा निर्णय घेण्यापूर्वी, आम्ही ते निवडू शकतो वेब ब्राउझरवरून त्याची चाचणी घ्या. तुमच्याकडे एखादे मॉडेल नसेल जे तुम्ही त्याची चाचणी घेण्यासाठी अपलोड करू शकता, आपण नमुना मॉडेल उदाहरणे वापरू शकता जी मध्ये आढळू शकतात GitHub वर रेपॉजिटरी या ब्राउझर आवृत्तीसह डाउनलोड करण्यासाठी किंवा उघडण्यासाठी प्रकल्पाचे.

स्नॅप पॅकेज म्हणून

आपण हे सॉफ्टवेअर आपल्या संगणकावर स्थापित करण्याचे ठरविल्यास, आपण हा प्रोग्राम त्याच्या स्नॅप पॅकेजद्वारे स्थापित करू शकता, जे येथे आढळू शकते स्नॅपक्राफ्ट.

मी म्हटल्याप्रमाणे, नेट्रोन न्यूरल नेटवर्क व्ह्यूअर खालील गोष्टी करून स्नॅपद्वारे उबंटूवर स्थापित केले जाऊ शकते. सुरू करण्यासाठी आपल्याला टर्मिनल (Ctrl + Alt + T) उघडावे लागेल आणि नंतर आपण करू कमांड वापरून प्रोग्रामची स्थिर आवृत्ती स्थापित करा:

sudo snap install netron

स्थापनेनंतर, आपल्याला आवश्यक असल्यास प्रोग्राम अपडेट करा, टर्मिनलमध्ये तुम्हाला फक्त कार्यान्वित करावे लागेल:

sudo snap refresh netron

वरील सर्व केल्यानंतर, आम्ही करू शकतो कार्यक्रम सुरू करा ऍप्लिकेशन्स मेनूमधून किंवा आमच्या वितरणामध्ये उपलब्ध असलेल्या इतर कोणत्याही लाँचरमधून. याव्यतिरिक्त, आम्ही टर्मिनलमध्ये (Ctrl + Alt + T) टाइप करून देखील ते सुरू करू शकतो:

netron

विस्थापित करा

परिच्छेद स्नॅप पॅकेजद्वारे स्थापित केलेले नेट्रॉन न्यूरल नेटवर्क व्ह्यूअर अनइंस्टॉल करा, आम्हाला फक्त टर्मिनलमध्ये (Ctrl + Alt + T) कमांड कार्यान्वित करावी लागेल:

sudo snap remove netron

अ‍ॅपिमेज डाउनलोड करा

आपण हा प्रोग्राम वापरून देखील वापरू शकतो AppImage पॅकेज वरून डाउनलोड केले जाऊ शकते प्रकल्प प्रकाशन पृष्ठ. वेब ब्राउझरवरून हे पॅकेज डाउनलोड करण्यास सक्षम असण्याव्यतिरिक्त, आम्हाला वापरण्याची शक्यता देखील असेल wget फाइल पकडण्यासाठी.

परिच्छेद आज प्रकाशित केलेली नवीनतम आवृत्ती डाउनलोड करा, आम्हाला केवळ टर्मिनल (Ctrl + Alt + T) उघडावे लागेल आणि त्यामध्ये कार्यवाही करावी लागेल.

wget https://github.com/lutzroeder/netron/releases/download/v5.3.4/Netron-5.3.4.AppImage

डाउनलोड पूर्ण झाल्यावर, आमच्याकडे आहे फाईलला एक्जीक्यूट परवानग्या द्या जे आम्ही नुकतेच डाउनलोड केले आहे. यासाठी, आपण ज्या फोल्डरमध्ये फाईल सेव्ह केली आहे त्या फोल्डरमध्ये गेल्यास, आपल्याला फक्त ही कमांड कार्यान्वित करावी लागेल:

sudo chmod +x Netron-5.3.4.AppImage

मागील आदेशानंतर, आपण करू शकतो फाइलवर डबल क्लिक करून किंवा त्याच टर्मिनलमध्ये टाइप करून प्रोग्राम सुरू करा:

./Netron-5.3.4.AppImage

नेट्रोन हा न्यूरल नेटवर्क्सची कल्पना करण्याचा एक सोपा मार्ग आहे. हा कार्यक्रम आम्हाला फ्रेम्सची विस्तृत श्रेणी आणि सुसंगत मॉडेल प्रकार वापरण्याची परवानगी देईल. हे खरोखरच स्केलेबल आणि शिकणाऱ्या समुदायातील अनेक लोकांसाठी वापरण्यायोग्य आहे. ग्राफिक्स एक्सपोर्ट केले जाऊ शकतात, जरी तुमचे ध्येय प्रिंटिंगसाठी ग्राफिक्स व्युत्पन्न करणे हे असेल तर तुम्हाला वेगळा दृष्टिकोन वापरायचा असेल, विशेषतः जेव्हा ते खूप खोल असतात.

ज्या वापरकर्त्यांना करायचे आहे ते करू शकतात या कार्यक्रमाबद्दल अधिक माहिती येथे मिळवा प्रकल्प वेबसाइट किंवा आपल्या मध्ये गिटहब रेपॉजिटरी.