Buckets:
| # Gradio နိဒါန်း[[introduction-to-gradio]] | |
| ဒီအခန်းမှာ ကျွန်တော်တို့ဟာ သင့်ရဲ့ machine learning models တွေအတွက် **interactive demos** တွေကို ဘယ်လိုတည်ဆောက်ရမယ်ဆိုတာ လေ့လာသွားမှာပါ။ | |
| ဘာကြောင့် machine learning model အတွက် demo ဒါမှမဟုတ် GUI တစ်ခုကို တည်ဆောက်သင့်တာလဲ။ Demos တွေက အောက်ပါတို့ကို ခွင့်ပြုပါတယ်... | |
| - **Machine learning developer များ**က ၎င်းတို့ရဲ့ အလုပ်တွေကို နည်းပညာပိုင်းမကျွမ်းကျင်တဲ့ အဖွဲ့များ ဒါမှမဟုတ် ဖောက်သည်များ အပါအဝင် ပရိသတ်ကျယ်ပြန့်စွာကို လွယ်ကူစွာ တင်ပြနိုင်ပါတယ်။ | |
| - **Researchers များ**က machine learning models တွေနဲ့ behavior တွေကို ပိုမိုလွယ်ကူစွာ reproduce လုပ်နိုင်ပါတယ်။ | |
| - **Quality testers များ** ဒါမှမဟုတ် **end users များ**က models တွေရဲ့ failure points တွေကို ပိုမိုလွယ်ကူစွာ ဖော်ထုတ်ပြီး debug လုပ်နိုင်ပါတယ်။ | |
| - **မတူကွဲပြားသော သုံးစွဲသူများ**က models များရှိ algorithmic biases တွေကို ရှာဖွေတွေ့ရှိနိုင်ပါတယ်။ | |
| ကျွန်တော်တို့ရဲ့ models တွေအတွက် demos တွေ တည်ဆောက်ဖို့ Gradio library ကို အသုံးပြုပါမယ်။ Gradio က Python သုံးပြီး machine learning model တိုင်းအတွက် web-based demos တွေကို တည်ဆောက်နိုင်၊ စိတ်ကြိုက်ပြင်ဆင်နိုင်ပြီး မျှဝေနိုင်ပါတယ်။ | |
| Gradio နဲ့ တည်ဆောက်ထားတဲ့ machine learning demos တွေရဲ့ ဥပမာအချို့ကတော့ - | |
| * sketch တစ်ခုကို input အဖြစ်ယူပြီး ဘာကိုဆွဲထားတယ်လို့ ထင်သလဲဆိုတဲ့ labels တွေကို output ထုတ်ပေးတဲ့ **sketch recognition** model တစ်ခု- | |
| * context paragraph တစ်ခုနဲ့ မေးခွန်းတစ်ခုကို input အဖြစ်ယူပြီး response နဲ့ probability score ကို output ထုတ်ပေးတဲ့ extractive **question answering** model တစ်ခု (ဒီလို model အမျိုးအစားအကြောင်းကို [Chapter 7](/course/chapter7/7) မှာ ဆွေးနွေးခဲ့ပါတယ်) | |
| * image တစ်ခုကို input အဖြစ်ယူပြီး background ကို ဖယ်ရှားထားတဲ့ image ကို output ထုတ်ပေးတဲ့ **background removal** model တစ်ခု | |
| ဒီအခန်းကို **concepts** နဲ့ **applications** နှစ်ခုလုံးပါဝင်တဲ့ အပိုင်းတွေအဖြစ် ပိုင်းခြားထားပါတယ်။ အပိုင်းတစ်ခုစီမှာ concept ကို သင်ယူပြီးတာနဲ့၊ image classification ကနေ speech recognition အထိ မတူညီတဲ့ demo အမျိုးအစားတစ်ခုကို တည်ဆောက်ဖို့ အဲဒါကို အသုံးချသွားမှာပါ။ ဒီအခန်းပြီးတဲ့အခါ၊ သင်ဟာ ဒီ demos တွေကို (အများကြီး ထပ်တိုး) Python code လိုင်းအနည်းငယ်နဲ့ တည်ဆောက်နိုင်ပါလိမ့်မယ်။ | |
| > [!TIP] | |
| > 👀 Machine learning community က တည်ဆောက်ထားတဲ့ machine learning demos တွေရဲ့ နောက်ဆုံးဥပမာများစွာကို ကြည့်ရှုဖို့ Hugging Face Spaces ကို ကြည့်ပါ။ | |
| ## ဝေါဟာရ ရှင်းလင်းချက် (Glossary) | |
| * **Interactive Demos**: အသုံးပြုသူများနှင့် အပြန်အလှန်တုံ့ပြန်နိုင်သော၊ machine learning models များ၏ စွမ်းဆောင်ရည်ကို တိုက်ရိုက်ပြသနိုင်သော application များ။ | |
| * **Machine Learning Models**: Artificial Intelligence (AI) နယ်ပယ်တွင် အချက်အလက်များကို လေ့လာပြီး ခန့်မှန်းချက်များ ပြုလုပ်ရန် ဒီဇိုင်းထုတ်ထားသော သင်္ချာဆိုင်ရာဖွဲ့စည်းပုံများ။ | |
| * **GUI (Graphical User Interface)**: အသုံးပြုသူများနှင့် ဂရပ်ဖစ်ပုံစံဖြင့် အပြန်အလှန်တုံ့ပြန်နိုင်သော ဆော့ဖ်ဝဲလ် interface။ | |
| * **Machine Learning Developers**: Machine Learning မော်ဒယ်များကို ဖန်တီး၊ တည်ဆောက်ပြီး အကောင်အထည်ဖော်သူများ။ | |
| * **Non-technical Teams**: နည်းပညာဆိုင်ရာ ဗဟုသုတ နည်းပါးသော အဖွဲ့များ (ဥပမာ- စျေးကွက်ရှာဖွေရေး၊ စီးပွားရေးအဖွဲ့များ)။ | |
| * **Customers**: ကုန်ပစ္စည်း သို့မဟုတ် ဝန်ဆောင်မှုများကို အသုံးပြုသူများ။ | |
| * **Researchers**: သုတေသနလုပ်ငန်းများကို လုပ်ဆောင်သူများ။ | |
| * **Reproduce**: သတ်မှတ်ထားသော code နှင့် data ကို အသုံးပြု၍ တူညီသော ရလဒ်များကို ပြန်လည်ထုတ်လုပ်နိုင်ခြင်း။ | |
| * **Quality Testers**: ဆော့ဖ်ဝဲလ် သို့မဟုတ် ထုတ်ကုန်များ၏ အရည်အသွေးကို စစ်ဆေးသူများ။ | |
| * **End Users**: ဆော့ဖ်ဝဲလ် သို့မဟုတ် ထုတ်ကုန်ကို နောက်ဆုံးအသုံးပြုသူများ။ | |
| * **Debug**: ကွန်ပျူတာပရိုဂရမ်တစ်ခုရှိ အမှားများ (bugs) ကို ရှာဖွေ၊ ဖော်ထုတ်ပြီး ပြင်ဆင်ခြင်း။ | |
| * **Failure Points**: မော်ဒယ်တစ်ခု၏ အားနည်းချက်များ သို့မဟုတ် မှားယွင်းနိုင်ခြေရှိသော အပိုင်းများ။ | |
| * **Algorithmic Biases**: AI algorithms များ၏ ဆုံးဖြတ်ချက်များတွင် ဒေတာ သို့မဟုတ် ဒီဇိုင်းကြောင့် ဖြစ်ပေါ်လာသော ဘက်လိုက်မှုများ။ | |
| * **Gradio Library**: Python library တစ်ခုဖြစ်ပြီး machine learning မော်ဒယ်တွေအတွက် အသုံးပြုရလွယ်ကူတဲ့ web interface တွေ ဒါမှမဟုတ် demo တွေကို အလွယ်တကူ ဖန်တီးနိုင်စေပါတယ်။ | |
| * **Python**: အလွန်ရေပန်းစားသော high-level, general-purpose programming language။ | |
| * **Sketch Recognition**: လက်ဆွဲပုံများကို AI က အသိအမှတ်ပြုခြင်း။ | |
| * **Question Answering**: ပေးထားသော စာသားတစ်ခုမှ မေးခွန်းတစ်ခု၏ အဖြေကို ရှာဖွေခြင်း။ | |
| * **Context Paragraph**: မေးခွန်းဖြေဆိုခြင်းအတွက် အဖြေရှာဖွေရန် အသုံးပြုသော စာသားအပိုင်း။ | |
| * **Probability Score**: ခန့်မှန်းချက်တစ်ခု၏ ဖြစ်နိုင်ခြေကို ဖော်ပြသော ဂဏန်းတန်ဖိုး။ | |
| * **Extractive Question Answering**: ပေးထားသော context စာသားမှ အဖြေကို တိုက်ရိုက် ထုတ်ယူသော question answering ပုံစံ။ | |
| * **Background Removal**: ပုံရိပ်တစ်ခုမှ နောက်ခံကို ဖယ်ရှားခြင်း။ | |
| * **Image Classification**: ပုံရိပ်များကို သတ်မှတ်ထားသော အမျိုးအစားများထဲသို့ ခွဲခြားသတ်မှတ်ခြင်း။ | |
| * **Speech Recognition**: အသံပြောဆိုမှုများကို စာသားအဖြစ် ပြောင်းလဲခြင်း။ | |
| * **Hugging Face Spaces**: Hugging Face Hub ၏ အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး Gradio ကဲ့သို့သော library များကို အသုံးပြု၍ Machine Learning demos များကို host လုပ်ပြီး မျှဝေနိုင်သည်။ | |
Xet Storage Details
- Size:
- 10.3 kB
- Xet hash:
- b9cf1db90bb6ef8dbf0f746a106547fc379afb00e0237d12eb505148eb58dc3a
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.