آشنایی با محیط توسعه یکپارچه گوگل کولب به همراه پیاده‌سازی الگوریتم‌های کاربردی یادگیری عمیق

عصر حاضر سرشار از تکنولوژی‌هایی است که هوش مصنویی جزو لاینفک آن‌ها می‌باشد و روز به روز بر تعداد محققان، پژوهشگران و دانشجویان این حوزه افزوده می‌شود. یکی از شاخه‌های قابل توجه هوش مصنوعی، الگوریتم‌های یادگیری عمیق است که پیاده‌سازی این مدل‌ها بر روی مجموعه داده‌ها از دغدغه‌های اساسی پژوهشگران این حوزه می‌باشد که مهمترین دلیل آن کمبود منابع سخت افزاری بخصوص GPU و از طرفی محدودیت‌های دسترسی به آن‌ها در دانشگاه‌ها و مراکز تحقیقاتی است. برای تشریح بهتر موضوع در ذهن خود مجسم کنید که به یک سیستم قدرتمند لینوکسی مجهز به GPU با مشخصات NVIDIA GeForce RTX 3090  با قیمت تقریبی حدود سه هزار و پانصد دلار، دسترسی دارید که بی‌شمار کاربرد خواهد داشت و براحتی می‌توان کدها را بروی آن اجرا کرد. حال کمی واقع‌بینانه به موضوع بنگریم؛ خرید و دسترسی به منابع سخت افزاری به‌روز که پاسخگوی نیازمندی‌های مدل‌های پیچیده امروزی باشد کار چندان ساده‌ای نیست. می‌توان گفت یکی از چالش‌های مهم این روزهای دنیای برنامه‌نویسان به‌ویژه در حوزه هوش مصنوعی و یادگیری عمیق محدودیت منابع سخت‌افزاری بخصوص GPU است. برای مواجهه با این چالش، شرکت گوگل، سرویس گوگل‌کولب که یکی از مجهزترین سیستم‌های پردازشگر ابری مجازی دنیاست را عرضه نموده است.

گوگل‌کولب یک سرویس ابری است که سخت‌افزارهایی همچون GPU را بصورت رایگان، با سرعت بالا ارایه می‌دهد که به‌راحتی می‌توان به آن دسترسی داشت. برای استفاده از این سرویس تنها چیزی که مورد نیاز است داشتن اینترنت و حساب گوگل است که از طریق ثبت‌نام سرویس جی‌میل به کاربران داده می‌شود. با ساخت حساب کاربری فضای ۲۵ گیگابایتی در گوگل درایو به کاربران اختصاص داده می‌شود که می‌توان با آپلود داده‌های خود در این محیط یا دانلود داده‌ها از سایت‌های دیگر به صورت مستقیم از کولب استفاده کرد.

کولب یک محیط مشابه ژوپیتر نوت‌بوک است و برنامه‌نویس را قادر می‌سازد تا با استفاده مرورگر و بدون هیچ گونه پیش نیازی بتوان با محبوب ترین زبان برنامه نویسی یعنی زبان برنامه‌نویسی پایتون کدهای خود را نوشت و پکیج (کتابخانه‌) جدیدی را در آن اجرا کرد. کولب برای هر کاربر سیزده گیگابایت حافظه اصلی (به صورت اختصاصی البته موقت) اختصاص می‌دهد که می‌تواند کدهای اجرایی را از گیت‌هاب و یا گوگل درایو، فراخوانی یا به آنها ارسال کند و برای حوزه یادگیری ماشین و علوم داده مناسب‌ترین ابزار پیاده سازی است. از جمله پکیج‌ها و ابزارهای پیش‌فرض یادگیری عمیق که می‌توان به آن اضافه نمود می‌توان به OpenCV‌، PyTorch‌، Keras و Tensorflow اشاره کرد.

با این‌حال بسیاری از پژوهشگران با امکانات این سرویس آشنایی ندارند. برهمین اساس، تصمیم گرفتیم آموزش گوگل کولب را در غالب کتابی آموزشی تدوین نماییم که شامل دو بخش مجزا می‌باشد در بخش ابتدایی مفاهیم تئوری یادگیری ژرف می‌باشد که چند مدل رایج در یادگیری ژرف تشریح می‌گردد؛ در بخش دوم کتاب به معرفی عملیاتی گوگل کولب پرداخته می‌شود و در ادامه این بخش پیاده‌سازی چند کاربرد قابل توجه در پردازش تصویر و پردازش متن همچون تشخیص چهره، شناسایی اعداد دستنویس، شناسایی اثر انگشت، تجزیه و تحلیل احساس، خلاصه سازی متن ارایه خواهد شد.