فیسبوک
فیسبوک و مایکروسافت امروز در پست‌های وبلاگ خود، از ONNX، شبکه تبادل عصبی باز، خبر دادند. تبادل، تبدیل مدل‌ها بین پایتورچ و کافه۲ را برای توسعه‌دهندگان یادگیری ماشین ساده‌تر می‌کند تا زمان تأخیر بین تحقیق و عملیاتی شدن را کاهش دهد. فیسبوک مدت‌هاست که بین گروه‌های یادگیری ماشین FAIR و AML خود تمایز قائل می‌شود. Facebook AI Research (FAIR) تحقیقات پیشرفته را انجام می‌دهد در حالی که Applied Machine Learning (AML) هوش را به محصولات اضافه می‌کند. انتخاب چارچوب یادگیری عمیق در این تمایز ایدئولوژیک اساسی قرار دارد. FAIR به کار با PyTorch عادت کرده است – یک چارچوب یادگیری عمیق که برای دستیابی به نتایج پیشرفته در تحقیقات، صرف نظر از محدودیت‌های منابع، بهینه شده است. متأسفانه در دنیای واقعی، اکثر ما با قابلیت‌های محاسباتی تلفن‌های هوشمند و رایانه‌هایمان محدود هستیم. هنگامی که AML می‌خواهد چیزی را برای استقرار و مقیاس‌پذیری بسازد، Caffe2 را انتخاب می‌کند. Caffe2 نیز یک چارچوب یادگیری عمیق است اما برای بهره‌وری از منابع، به ویژه در مورد Caffe2Go که برای اجرای مدل‌های یادگیری ماشین در دستگاه‌های تلفن همراه کم‌قدرت بهینه شده است، بهینه‌سازی شده است. همکاری که فیسبوک و مایکروسافت اعلام می‌کنند به افراد کمک می‌کند تا مدل‌هایی را که در PyTorch ساخته شده‌اند به راحتی به مدل‌های Caffe2 تبدیل کنند.
با کاهش موانع برای حرکت بین این دو چارچوب، این دو شرکت می‌توانند انتشار تحقیقات را بهبود بخشند و به تسریع کل فرآیند تجاری‌سازی کمک کنند. متأسفانه همه شرکت‌ها از جفت PyTorch و Caffe2 یکسان استفاده نمی‌کنند. هنوز تحقیقات زیادی در TensorFlow و سایر چارچوب‌های اصلی انجام می‌شود. خارج از زمینه تحقیق، دیگران در تلاش بوده‌اند تا تبدیل مدل‌های یادگیری ماشین را به فرمت‌های بهینه شده برای دستگاه‌های خاص ساده‌تر کنند. به عنوان مثال CoreML اپل به توسعه‌دهندگان کمک می‌کند تا تعداد بسیار محدودی از مدل‌ها را تبدیل کنند. در حال حاضر CoreML از TensorFlow پشتیبانی نمی‌کند و فرآیند ایجاد مبدل‌های سفارشی به نظر پیچیده و به احتمال زیاد به ناامیدی می‌انجامد. با توجه به اینکه شرکت‌هایی مانند گوگل و اپل کنترل بیشتری بر بهینه‌سازی چارچوب‌های یادگیری ماشین بر روی سخت‌افزار سفارشی به دست می‌آورند، نظارت بر قابلیت همکاری همچنان مهم خواهد بود. Open Neural Network Exchange در GitHub منتشر شده است، می‌توانید آن را در اینجا بیابید.
