[PYTHON] Jouez avec Fathom

Pour une raison quelconque, j'ai eu le Fathom Neural Compute Stick [^ 4], alors j'ai essayé d'exécuter le didacticiel.

Qu'est-ce que Fathom

• Cela fonctionne simplement en branchant un ordinateur de type USB sur un PC, etc. [^ 3] ――Il semble être un substitut qui fait des inférences à grande vitesse [^ 1]. (L'apprentissage est impossible)
• Il fonctionne lorsqu'il est écrit dans TensorFlow.
• Consommation d'énergie inférieure à celle du GPU

environnement

• MacBook Air
• OS: macOS Sierra

Procédure d'exécution (version Docker)

Peut-être que cela ne fonctionne pas même si vous suivez le tutoriel, vous devez donc apporter quelques corrections.

Il existe un code pour essayer seq2seq dans le tutoriel de Fathom [^ 2], mais comme il s'agit d'un code qui doit placer les données à l'endroit où l'autorité root est requise, l'utilisateur root au lieu de l'utilisateur fathom décrit dans la procédure du tutoriel Vous devez vous connecter et travailler avec.

docker pull rdadolf/fathom
docker run -it --user root rdadolf/fathom

Exemple d'exécution de Seq2Seq

Puisque le nom de fichier des données à télécharger a changé, modifiez fathom / seq2seq / data_utils.py comme suit.

- train_path = os.path.join(directory, "giga-fren.release2")
+ train_path = os.path.join(directory, "giga-fren.release2.fixed")

Exécutez l'exemple Seq2Seq avec la commande suivante. Il faut environ une heure pour télécharger les données WMT'15 requises pour exécuter Seq2Seq dans le premier tutoriel, alors attendez. (Il n'y a pas de barre de progression, mais cela fonctionne.)

cd fathom/
mkdir -p /data/WMT15
python fathom/seq2seq/seq2seq.py 

Résumé

• Utilisé pour accélérer le traitement de la reconnaissance d'image pour les drones, les râpes, les caméras de surveillance, etc.
• Puisqu'il y a environ 50 Go d'espace libre, il peut également être utilisé comme mémoire USB. ――Si vous ne comprenez pas, vous pouvez demander dans le forum [^ 5].

References