Costruire un pannello interattivo di ML in Panel
Creare un pannello interattivo di ML in Panel
Di Andrew Huang, Sophia Yang, Philipp Rudiger
HoloViz Panel è una versatile libreria Python che permette ai programmatori e ai data scientist di creare visualizzazioni interattive con facilità. Che tu stia lavorando su progetti di machine learning, sviluppando applicazioni web o progettando dashboard di dati, Panel fornisce un potente set di strumenti e funzionalità per migliorare le tue capacità di esplorazione e presentazione dei dati. In questo post del blog, approfondiremo le fantastiche funzionalità di HoloViz Panel, esploreremo come può rivoluzionare i tuoi flussi di lavoro di visualizzazione dei dati e dimostreremo come puoi creare un’app come questa utilizzando circa 100 righe di codice.
Prova l’app e controlla il codice:
- Hugging Face Space
- App su Anaconda
- App su Hugging Face
- Codice su Notebook Anaconda
- Codice su Hugging Face
Sfruttare la Potenza di ML/AI
ML/AI è diventato una parte integrante dell’analisi dei dati e dei processi decisionali. Con Panel, puoi integrare senza soluzione di continuità modelli e risultati di ML nelle tue visualizzazioni. In questo post del blog, esploreremo come realizzare un’attività di classificazione delle immagini utilizzando il modello OpenAI CLIP.
- Come creare miniature di YouTube con Midjourney (che puoi vendere)
- Come ho costruito una pipeline dati a cascata basata su AWS
- Quantizzazione a 4 bit con GPTQ
CLIP è preaddestrato su un ampio dataset di coppie immagine-testo, il che gli consente di comprendere le immagini e le descrizioni testuali corrispondenti e di lavorare per vari compiti successivi come la classificazione delle immagini.
Ci sono due funzioni relative a ML che abbiamo utilizzato per svolgere l’attività di classificazione delle immagini. La prima funzione load_processor_model ci consente di caricare un modello CLIP preaddestrato da Hugging Face. La seconda funzione get_similarity_scores calcola il grado di similarità tra l’immagine e un elenco fornito di etichette di classe.
@pn.cachedef load_processor_model( processor_name: str, model_name: str) -> Tuple[CLIPProcessor, CLIPModel]: processor = CLIPProcessor.from_pretrained(processor_name) model = CLIPModel.from_pretrained(model_name) return processor, modeldef get_similarity_scores(class_items: List[str], image: Image) -> List[float]: processor, model = load_processor_model( "openai/clip-vit-base-patch32", "openai/clip-vit-base-patch32" ) inputs = processor(…
