# آموزش هوش مصنوعی با پایتون

- پیوند: https://negarnovin.com/docs/ai-ml-python-packages/
- منتشرشده: 2025-09-08T10:49:52+00:00
- نویسنده: نگارنوین

# نگاهی عمیق به بسته های مهم پایتون در حوزه هوش مصنوعی / یادگیری ماشین

بسته های ضروری پایتون برای هوش مصنوعی/یادگیری ماشین، از جمله TensorFlow، را بررسی
کنید تا ساخت برنامه های آماده برای تولید را بدون کدنویسی پیچیده ساده کنید.

 

## مقدمه

هوش مصنوعی (AI) و یادگیری ماشین (ML) زمینه های مهم محاسبات ابری هستند که شامل پیاده
سازی بسته های نرم افزاری متعدد می شوند. این بسته ها مجموعه ای از برنامه های آماده
برای استقرار را در اختیار توسعه دهندگان قرار می دهند که وظایف خاصی را انجام می دهند.
به این ترتیب، می توانید به جای نوشتن کد اساسی و پیاده سازی الگوریتم های پیچیده از
ابتدا، بر ساخت راه حل ها تمرکز کنید.

این مقاله بسته های مهمی را که معمولاً برای ساخت برنامه های یادگیری ماشین و هوش مصنوعی
آماده برای تولید استفاده می شوند، توضیح می دهد.

## چارچوب ها و کتابخانه ها

### TensorFlow

TensorFlow یک کتابخانه متن باز از ابزارهایی است که برای تسریع وظایف یادگیری ماشینی
طراحی شده است. این کتابخانه در هر دو مدل یادگیری ماشینی و یادگیری عمیق با پشتیبانی
از CPUها، GPUها و TPUها استفاده می شود. از نظر کاربرد، TensorFlow معمولاً برای وظایفی
مانند موارد زیر استفاده می شود:

 * مسائل سنتی یادگیری ماشین مانند طبقه بندی و رگرسیون
 * کاربردهای هوش مصنوعی مولد مانند انتشار پایدار
 * مدل های بینایی کامپیوتر (CV) مانند تشخیص اشیا
 * استقرار مدل های تولیدی با استفاده از TensorFlow Serving

برای نصب TensorFlow در محیط پایتون، از یک مدیر بسته مانند`pip`

console

    ```
    $ pip install tensorflow
    ```

پس از نصب، TensorFlow را به برنامه های خود وارد کنید تا بتوانید از بسته استفاده 
کنید.

python

    ```
    >>> import tensorflow as tf
    ```

### PyTorch

پای تورچ (PyTorch) یک چارچوب متن باز مبتنی بر کتابخانه یادگیری ماشین تورچ است که
معمولاً در وظایف بینایی کامپیوتر (CV) و پردازش زبان طبیعی (NLP) استفاده می شود. 
بسته های پای تورچ هم روی سیستم های GPU و هم CPU کار می کنند و قابلیت انجام موارد
زیر را دارند:

 * کار با مجموعه داده های بزرگ
 * ساخت مدل های چندوجهی مانند تشخیص دستخط
 * ساخت مدل های یادگیری عمیق
 * استقرار مدل های یادگیری عمیق در محیط عملیاتی با استفاده از TorchServe

برای نصب PyTorch در محیط پایتون، از یک مدیر بسته مانند استفاده کنید `pip`و نوع سیستم،
چه GPU و چه CPU، را مشخص کنید. به عنوان مثال، PyTorch را با پشتیبانی از GPU نصب 
کنید.

کنسول

    ```
    $ pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
    ```

نصب PyTorch با پشتیبانی از CPU

کنسول

    ```
    $ pip install torch torchvision torchaudio
    ```

### PyTorch Lightning

پای تورچ لایتنینگ (PyTorch Lightning) یک نسخه مبتنی بر جامعه از پای تورچ است که 
برای انجام انعطاف پذیر وظایف یادگیری عمیق بدون تأثیر بر عملکرد سیستم طراحی شده است.
این برنامه از چند پردازنده گرافیکی (multi-GPU)، TPU و اعداد اعشاری (float) دقیق 
۱۶ بیتی و ۳۲ بیتی برای انجام وظایفی مانند موارد زیر پشتیبانی می کند:

 * آموزش مدل های یادگیری ماشین روی خوشه های CPU یا GPU
 * ارزیابی عملکرد مدل یادگیری عمیق
 * بهبود عملکرد مدل با کشف گلوگاه ها
 * کاهش اندازه مدل با استفاده از کوانتیزاسیون

برای نصب PyTorch Lighting در محیط پایتون، از یک مدیر بسته مانند `pip`یا استفاده 
کنید `conda`:

 * Python Pip
 * کنسول
 *     ```
       $ pip install lightning
       ```
   
 * Conda
 * کنسول
 *     ```
       $ conda install lightning -c conda-forge
       ```
   

برای اطلاعات بیشتر در مورد نحوه استفاده از PyTorch Lightning، به [مستندات رسمی](https://lightning.ai/docs/pytorch/stable/)
مراجعه کنید .

### Keras

کِرَس (Keras) یک کتابخانه یادگیری عمیق متن باز سطح بالا برای پیاده سازی شبکه های
عصبی است. این کتابخانه بر اساس TensorFlow ساخته شده و بسیاری از توابع سطح پایین 
تر را در نقاط انتهایی API واحد بسته بندی می کند. کِرَس شامل ماژول هایی برای پیاده
سازی انواع مختلف لایه های شبکه عصبی و ترکیب لایه ها برای ایجاد مدل ها است. این امر
به توسعه دهندگان اجازه می دهد تا از بین بهینه سازها، توابع فعال سازی و معیارهای 
ارزیابی مختلف انتخاب کنند. کِرَس در کاربردهای مختلفی مانند موارد زیر استفاده می 
شود:

 * پروژه های پردازش زبان طبیعی (NLP) مانند تحلیل احساسات
 * پروژه های یادگیری عمیق مانند هوش مصنوعی مولد
 * ساخت ابزارهای یادگیری عمیق برای دستگاه های تلفن همراه
 * طبقه بندی تصویر

برای استفاده از Keras، آن را از بسته TensorFlow در پروژه خود وارد کنید.

پایتون

    ```
    >>> from tensorflow import keras
    ```

### KerasCV

KerasCV یک افزونه افقی از کتابخانه اصلی Keras است که شامل اجزای ماژولار بینایی کامپیوتر(
CV) می شود. مدل های Keras CV برای دسترسی به بسیاری از مدل های از پیش آموزش دیده 
مانند Stable Diffusion و Vision Transformer برای انجام وظایف یادگیری ماشینی مانند
موارد زیر استفاده می شوند:

 * کاربردهای بینایی کامپیوتر مانند تشخیص اشیا و قطعه بندی تصویر
 * هوش مصنوعی مولد و کاربردهای پردازش تصویر

برای نصب آخرین نسخه KerasCV در محیط پایتون خود، از `pip`مدیر بسته استفاده کنید و
Tensorflow را ارتقا دهید.

کنسول

    ```
    $ pip install keras-cv tensorflow --upgrade
    ```

پس از نصب، بسته را به همراه هسته Keras در برنامه خود وارد کنید

پایتون

    ```
    >>> import keras_cv
    >>> import keras_core as keras
    ```

### NumPy

پایتون عددی (NumPy) یک کتابخانه محاسبات علمی عددی متن باز است که در برنامه های پایتون
استفاده می شود. این کتابخانه از عملیات جبر خطی روی بردارها و تانسورهای با ابعاد 
بالا پشتیبانی می کند، عملیات ریاضی مانند حساب، مثلثات و اعداد مختلط را انجام می 
دهد که آن را به یک بسته ضروری برای انجام وظایف محاسباتی تبدیل می کند. NumPy مستقیماً
روی سیستم های CPU کار می کند و هیچ پشتیبانی مستقیمی از GPUها، TPUها یا سیستم های
خوشه ای چند GPU برای انجام وظایفی مانند موارد زیر ندارد:

 * یادگیری ماشین
 * هوش مصنوعی مولد
 * سیستم های توصیه گر
 * کاربردهای تصویربرداری مانند طبقه بندی و قطعه بندی تصویر

برای نصب NumPy، از یک مدیر بسته مانند Pip یا Conda مطابق توضیحات زیر استفاده کنید:

 * PIP:
 * کنسول
 *     ```
       $ pip install numpy
       ```
   
 * Conda:
 * کنسول
 *     ```
       $ conda install numpy
       ```
   

### SciPy

ساینتیفیک پایتون (SciPy) مجموعه ای متن باز از کتابخانه ها است که برای انجام وظایف
ریاضی، علوم و مهندسی طراحی شده و برای گسترش قابلیت های NumPy ساخته شده است. این 
زبان از زیربسته هایی برای انجام وظایف محاسبات علمی سطح پایین مانند انتگرال گیری 
و مشتق گیری عددی، معادلات دیفرانسیل و مسائل مقدار ویژه، پردازش سیگنال و تبدیل فوریه
در کاربردهایی مانند موارد زیر استفاده می کند:

 * تحلیل آماری
 * مسائل بهینه سازی صنعتی
 * پردازش صدا
 * کاربردهای محاسبات علمی، مانند مدل سازی و شبیه سازی

شما می توانید SciPy را به عنوان یک ماژول پایتون نصب کنید، یا از یک مدیر بسته (package
manager) همانطور که در زیر توضیح داده شده است استفاده کنید:

 * Python Module:Debian/Ubuntu:
 * کنسول
 *     ```
       $ sudo apt install python3-scipy
       ```
   
 * CentOS/ RHEL:
 * کنسول
 *     ```
       $ sudo dnf install python3-scipy
       ```
   
 * PIP:
 * کنسول
 *     ```
       $ pip install scipy
       ```
   
 * Conda:
 * کنسول
 *     ```
       $ conda install scipy
       ```
   

برای اطلاعات بیشتر در مورد نحوه استفاده از SciPy، به [راهنمای کاربر رسمی](https://docs.scipy.org/doc/scipy/tutorial/index.html#user-guide)
مراجعه کنید .

### JAX

JAX یک کتابخانه با کارایی بالا برای محاسبات عددی است و به شما امکان می دهد توابع
NumPy را روی سیستم های GPU و TPU اجرا کنید. این کتابخانه از همان سینتکس NumPy استفاده
می کند و از توابع پیچیده سطح پایین مانند مشتق گیری خودکار و مرتبه بالاتر پشتیبانی
می کند. با این حال، JAX از یک الگوی برنامه نویسی تابعی خالص پیروی می کند و در پروژه
هایی مانند موارد زیر پیاده سازی شده است:

 * تحقیق در مورد یادگیری ماشین و یادگیری عمیق
 * کاربردهای پیچیده یادگیری عمیق

برای نصب JAX، از مدیر بسته پایتون استفاده کنید `pip`و از بسته CPU یا GPU سیستم منطبق
استفاده کنید.

کنسول

    ```
    $ pip install --upgrade "jax[cpu]"
    ```

در یک سیستم مبتنی بر GPU، `[cpu]`مقدار را با درایور GPU خود جایگزین کنید. برای مثال،
CUDA ۱۲ و برای نصب وابستگی های اضافی، به فایل releases مراجعه کنید.

کنسول

    ```
    $ pip install --upgrade "jax[cuda11_pip]" -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html
    ```

برای اطلاعات بیشتر در مورد نحوه استفاده از JAX، به [مستندات رسمی توسعه دهنده](https://jax.readthedocs.io/en/latest/developer.html)
مراجعه کنید .

### Flax

Flax یک کتابخانه شبکه عصبی متن باز مبتنی بر چارچوب JAX است. این کتابخانه از تحقیقات
شبکه عصبی و توسعه مدل پشتیبانی می کند و قابلیت استفاده از API خود را برای موارد 
زیر دارد:

 * ساخت لایه های شبکه عصبی
 * آموزش شبکه های عصبی
 * مدل های نقطه بازرسی
 * دسترسی به مدل های از پیش آموزش دیده و تنظیم شده

برای نصب Flax، از مدیر بسته pip استفاده کنید.

کنسول

    ```
    $ pip install flax
    ```

برای اطلاعات بیشتر در مورد نحوه استفاده از این بسته، به [مستندات رسمی Flax](https://flax.readthedocs.io/en/latest/)
مراجعه کنید .

### Scikit-learn

`scikit-learn`یک ماژول پایتون است که برای یادگیری ماشین و وظایف تحلیل داده طراحی
شده است. این ماژول از تکنیک های مختلف یادگیری ماشین مانند طبقه بندی و خوشه بندی،
جنگل های تصادفی، ماشین های بردار پشتیبان (SVM) و موارد دیگر پشتیبانی می کند. Scikit-
learn بر پایه NumPy، SciPy و matplotlib ساخته شده است و کاربرد رایجی در برنامه هایی
مانند موارد زیر دارد:

 * یادگیری ماشین
 * مدل سازی آماری
 * تشخیص تصویر

از یک مدیر بسته مانند Pip یا Conda برای نصب scikit-learn جهت استفاده در برنامه های
خود استفاده کنید.

 * Pip:
 * کنسول
 *     ```
       $ pip install -U scikit-learn
       ```
   
 * Conda:
 * کنسول
 *     ```
       $ conda install -c conda-forge scikit-learn
       ```
   

برای ساخت برنامه ها با استفاده از scikit-learn، به منابع زیر مراجعه کنید:

 * [راهنمای توسعه دهندگان scikit-learn](https://scikit-learn.org/stable/developers/index.html)

### Pandas

`pandas`یک بسته پایتون است که ساختارهای داده سریع، گسترده و انعطاف پذیری را برای
ایجاد برنامه های تحلیل داده فراهم می کند. این بسته از کار با داده های رابطه ای و
برچسب گذاری شده با کاربردهای رایج در عملیات زیر پشتیبانی می کند:

 * برنامه های بلادرنگ که از ساختارهای داده مبتنی بر دیکشنری استفاده می کنند
 * پیش پردازش داده ها برای برنامه های یادگیری ماشینی
 * مشاهده داده ها به روش های مختلف مانند جابجایی ها و جداول محوری
 * ایمپورت و اکسپورت فرمت های مختلف فایل مانند CSV، txt، JSON و غیره

برای نصب پانداس، از یک مدیر بسته مانند Conda یا Pip استفاده کنید.

 * Conda:
 * کنسول
 *     ```
       $ conda install -c conda-forge pandas
       ```
   
 * Pip
 * کنسول
 *     ```
       $ pip install pandas
       ```
   

برای استفاده از پانداس، آن را به محیط برنامه خود وارد کنید.

پایتون

    ```
    >>> import pandas as pd
    ```

برای استفاده از پاندا در سرور ابری نگار نوین ، از منابع زیر دیدن کنید:

 * [مستندات پانداس](https://pandas.pydata.org/docs/getting_started/index.html)

## Hugging Face

Hugging Face یک پلتفرم متن باز مبتنی بر جامعه است که میزبان مدل ها، مجموعه داده 
ها و برنامه های آماده برای استفاده است. Hugging Face Hub مخزن اصلی پلتفرم است که
شامل مجموعه بزرگی از مدل های یادگیری ماشین و یادگیری عمیق است. با استفاده از این
پلتفرم، می توانید مدل ها، نقاط بررسی و مجموعه داده ها را آپلود کنید یا پروژه هایی
را با استفاده از مدل های متن باز محبوب مانند Transformers، Diffusers، Datasets و
موارد دیگر که در بخش های بعدی توضیح داده شده اند، بسازید.

### Transformers

Hugging Face Transformers یک بسته یادگیری ماشینی است که برای کار با PyTorch، TensorFlow
و Jax طراحی شده است. این بسته ابزارها و APIهایی را با دسترسی به بیش از ۲۵۰۰۰ مدل
از پیش آموزش دیده فراهم می کند که می توانید دانلود کرده و در محیط پروژه خود استفاده
کنید. می توانید از مدل های موجود در پروژه هایی مانند موارد زیر استفاده کنید:

 * کاربردهای پردازش زبان طبیعی مانند مدل سازی زبان، طبقه بندی متن و پاسخ به سوالات
 * برنامه های کاربردی مدل های زبان بزرگ (LLM) مانند Falcon و Llama
 * کاربردهای بینایی کامپیوتر مانند تشخیص اشیا، قطعه بندی و طبقه بندی
 * راهکارهای چندوجهی مانند تشخیص کاراکتر، طبقه بندی ویدیو و پاسخ به سوالات بصری
 * ابزارهایی مانند توکن سازها، خطوط لوله، مربیان، ابزارهای پیکربندی آموزش، ابزارهای
   پیش پردازش داده ها و موارد دیگر

برای پیاده سازی Transformers روی سرور NegarNovin Cloud GPU به منابع زیر مراجعه کنید:

 * [مستندات ترانسفورماتورها](https://huggingface.co/docs/transformers/index)

### Diffusers

Diffusers یک کتابخانه Hugging Face است که شامل مدل های انتشار از پیش آموزش دیده 
ای است که برای انجام وظایف تولید تصویر، صدا و ساختار سه بعدی طراحی شده اند. این 
کتابخانه شامل خطوط لوله انتشار، زمان بندی کننده های نویز و مدل های از پیش آموزش 
دیده است. معمولاً می توانید از کتابخانه Diffusers برای کارهایی مانند موارد زیر استفاده
کنید:

 * دسترسی به مدل های تولید تصویر از پیش آموزش دیده مانند انتشار پایدار
 * دسترسی به مدل های انتشار صوتی از پیش آموزش دیده برای تولید صدا
 * تنظیم دقیق مدل های هوش مصنوعی مولد
 * ساخت مدل های هوش مصنوعی مولد برای ارائه خدمات با استفاده از یک API

برای پیاده سازی پخش کننده ها در محیط پروژه خود، از منابع زیر دیدن کنید:

 * [مستندات پخش کننده ها](https://huggingface.co/docs/diffusers/index)

## Datasets

### Hugging Face Datasets

مجموعه داده های (Hugging Face Datasets) کتابخانه ای است که به شما امکان دسترسی و
اشتراک گذاری مجموعه داده های مربوط به وظایف صدا، بینایی کامپیوتر و پردازش زبان طبیعی(
NLP) را می دهد. این کتابخانه فرآیند خروجی گرفتن و اشتراک گذاری مجموعه داده ها را
برای استفاده در پروژه های شما ساده می کند. معمولاً می توانید از این کتابخانه برای
کارهایی مانند موارد زیر استفاده کنید:

 * وارد کردن مجموعه داده ها برای تنظیم دقیق مدل ها
 * وارد کردن مجموعه داده ها برای آزمایش عملکرد مدل

برای پیاده سازی مجموعه داده های چهره در آغوش گرفته در پروژه خود، از منابع زیر دیدن
کنید:

 * [مستندات](https://huggingface.co/docs/datasets/index)

### TensorFlow Datasets

مجموعه داده های TensorFlow کتابخانه ای است که شامل مجموعه داده های خواندنی برای 
استفاده (read-to-use) برای چارچوب های یادگیری ماشینی پشتیبانی شده توسط TensorFlow،
Jax، NumPy و … است. این کتابخانه داده ها را با ساخت `tf.data.Dataset`یا آرایه NumPy
دانلود و آماده می کند `np.array`. می توانید مجموعه داده های TensorFlow را در موارد
زیر اعمال کنید:

 * دسترسی به چندین مجموعه داده عمومی
 * داده های آموزشی پیش پردازش
 * ساخت و اشتراک گذاری مجموعه داده های جدید در TensorFlow Hub

برای نصب کتابخانه TensorFlow Datasets، از مدیر بسته Python Pip استفاده کنید:

کنسول

    ```
    $ pip install tensorflow-datasets
    ```

برای استفاده از مجموعه داده ها، بسته را به محیط برنامه خود وارد کنید:

پایتون

    ```
    >>> import tensorflow_datasets as tfds
    ```

برای اطلاعات بیشتر، به [مستندات مجموعه داده های TensorFlow](https://www.tensorflow.org/datasets/overview)
مراجعه کنید .

## Plotting and Computer Vision Tools

### Matplotlib

Matplotlib یک کتابخانه پایتون برای مصورسازی است که برای ایجاد مصورسازی های ایستا،
متحرک و تعاملی استفاده می شود. می توانید از این بسته برای موارد زیر استفاده کنید:

 * ایجاد نمودارها، چارت ها و انیمیشن ها
 * ایجاد تجسم های تعاملی
 * تصاویر ایجاد شده را در قالب های مختلف صادر کنید

برای نصب Matplotlib، یا از مدیر بسته Python Pip یا Conda استفاده کنید:

 * Pip
 * کنسول
 *     ```
       $ pip install -U matplotlib
       ```
   
 * Conda
 * کنسول
 *     ```
       $ conda install matplotlib
       ```
   

برای اطلاعات بیشتر و نحوه استفاده از Matplotlib، به [مستندات رسمی](https://matplotlib.org/stable/users/index.html)
مراجعه کنید .

### OpenCV

بینایی کامپیوتر متن باز (OpenCV) یک کتابخانه متن باز است که شامل صدها الگوریتم بینایی
کامپیوتر بهینه شده برای برنامه های بلادرنگ است. این کتابخانه از عملیات مبتنی بر 
GPU پشتیبانی می کند و یک رابط API پایتون با ساختار ماژولار ارائه می دهد. می توانید
از OpenCV در وظایف برنامه مانند موارد زیر استفاده کنید:

 * تشخیص و شناسایی چهره
 * ردیابی شیء
 * تشخیص ژست
 * واقعیت افزوده (AR)

این `cv2`بسته، API پایتون OpenCV را برای استفاده در برنامه ها ارائه می دهد. برای
پیاده سازی کتابخانه، از منابع زیر دیدن کنید:

 * [مستندات OpenCV](https://docs.opencv.org/4.8.0/)

### Pillow

Pillow شاخه ای از کتابخانه تصویربرداری Python Imaging Libary (PIL) است که مفسر پوسته
پایتون را با قابلیت های اولیه پردازش تصویر بهبود می بخشد. این کتابخانه از فرمت های
فایل مختلف و نمایش داده های داخلی پشتیبانی می کند. می توانید Pillow را در محیط خود
برای انجام وظایفی مانند موارد زیر اعمال کنید:

 * باز کردن تصاویر با فرمت های مختلف
 * پیش پردازش تصاویر برای مدل های یادگیری عمیق
 * جابجایی بین فرمت های تصویر و آرایه های NumPy
 * دریافت تصاویر از URL های راه دور

برای نصب Pillow، از مدیر بسته Python Pip استفاده کنید.

کنسول

    ```
    $ pip install Pillow
    ```

برای استفاده از Pillow در محیط برنامه خود، از منابع زیر دیدن کنید:

 * [مستندات بالش](https://pillow.readthedocs.io/en/stable/)

### مدل های تصویر PyTorch (TIMM)

مدل های تصویر PyTorch (TIMM) مجموعه ای از مدل های تصویر، ابزارها، بهینه سازها و 
مدل های تصویر PyTorch است که برای وظایف بینایی کامپیوتر (CV) طراحی شده اند. می توانید
از TIMM برای دسترسی به موارد زیر استفاده کنید:

 * لایه های شبکه عصبی از پیش پیکربندی شده برای CV
 * بهینه سازها و زمان بندها برای آموزش مدل های CV
 * توابع پیش پردازش داده های تصویر
 * مدل های هوش مصنوعی برای وظایف پردازش تصویر مانند استخراج ویژگی و تشخیص شیء

برای نصب TIMM، تأیید کنید که PyTorch روی سیستم شما موجود است و از مدیر بسته Python
Pip برای اضافه کردن TIMM به محیط خود استفاده کنید.

کنسول

    ```
    $ pip install timm
    ```

برای اطلاعات بیشتر در مورد نحوه استفاده از TIMM، به [مستندات رسمی](https://huggingface.co/docs/hub/timm)
مراجعه کنید .

### Albumentations

Albumentations یک کتابخانه یادگیری ماشینی انعطاف پذیر برای تقویت تصویر است که به
زبان پایتون نوشته شده است. این کتابخانه از طریق فرآیند تقویت تصویر، از اصلاح تصاویر
موجود برای استفاده در کارهایی مانند مدل های بینایی کامپیوتر که به چندین تصویر در
یک مجموعه آموزشی نیاز دارند، پشتیبانی می کند. Albumentations که بر اساس OpenCV ساخته
شده است، معمولاً در کارهایی مانند موارد زیر استفاده می شود:

 * تقویت تصویر با استفاده از تکنیک های مختلف برای اصلاح تصاویر اصلی
 * تقسیم بندی و طبقه بندی تصویر
 * تشخیص شیء

برای نصب Albumentations در محیط خود، از مدیر بسته Pip استفاده کنید.

کنسول

    ```
    $ pip install -U albumentations
    ```

برای اطلاعات بیشتر و مثال های کاربردی، به [مستندات Albumentations](https://albumentations.ai/docs/getting_started/installation/)
مراجعه کنید .

## ابزارهای کاربردپذیری

### شتاب دادن

Accelerate کتابخانه ای است که امکان استفاده مجدد از کد موجود PyTorch را در هر پیکربندی
توزیع شده ای فراهم می کند. این موضوع هنگام اجرای چندین CPU، GPU یا TPU اهمیت دارد،
زیرا همان کد آموزشی PyTorch دوباره استفاده می شود و می تواند روی هر سیستمی اجرا 
شود. از این رو، کاربرد اصلی Accelerate این است که کد PyTorch را با قابلیت استفاده
مجدد بالا بسازد.

برای نصب Accelerate، از Conda یا مدیر بسته Python Pip استفاده کنید.

 * Conda:
 * کنسول
 *     ```
       $ conda install -c conda-forge accelerate
       ```
   
 * Pip
 * کنسول
 *     ```
       $ pip install accelerate
       ```
   

برای دسترسی به نمونه های کد Accelerate، به [مستندات رسمی](https://huggingface.co/docs/accelerate/index)
مراجعه کنید .

### xFormers

xFormers یک کتابخانه متن باز است که قابلیت های کتابخانه Hugging Face Transformers
را گسترش می دهد. این کتابخانه بلوک های سازنده قابل تنظیمی را برای ساخت مدل های ترانسفورماتور
فراهم می کند و می تواند برای موارد زیر مورد استفاده قرار گیرد:

 * سرعت بخشیدن به آموزش مدل های ترانسفورماتور و دیفیوزر
 * سرعت بخشیدن به فرآیندهای استنتاج، مانند تولید متن و تصویر
 * کاهش مصرف حافظه در مدل های مبتنی بر ترانسفورماتور
 * با بهینه سازی بلوک های توجه، عملکرد مدل های پراکنده ساز را افزایش دهید

برای نصب xFormers در محیط خود، از Conda یا Pip استفاده کنید.

 * Conda:
 * کنسول
 *     ```
       $ conda install xformers -c xformers
       ```
   
 * Pip
 * کنسول
 *     ```
       $ pip3 install -U xformers --index-url https://download.pytorch.org/whl/cu121
       ```
   

برای اطلاعات بیشتر در مورد xFormers، به [مخزن پروژه](https://github.com/facebookresearch/xformers)
مراجعه کنید .

### Einops

Einops یک کتابخانه قدرتمند است که برای مدیریت نمادگذاری عملگرهای تانسوری طراحی شده
است. تانسورها بلوک های سازنده مدل های یادگیری عمیق هستند در حالی که عملیات عددی 
شامل قوانین ریاضی پیچیده ای هستند. متغیرهای تانسوری با بالانویس ها، زیرنویس ها و
سایر مصنوعات نمادگذاری نوشته می شوند. این نمادگذاری ها همیشه در بین ناشران، بسته
ها و برنامه نویسان مختلف سازگار نیستند، اما می توان آنها را با Einops برای انجام
وظایفی مانند موارد زیر نرمال سازی کرد:

 * از قراردادهای نشانه گذاری ثابت برای نمایش و عملیات تنسور در NumPy، PyTorch، TensorFlow،
   JAX و سایر بسته های اصلی استفاده کنید.
 * اطمینان حاصل کنید که کد مربوط به عملیات تنسور خوانا و بدون خطا است

برای نصب کتابخانه Einops، از مدیر بسته پایتون Pip استفاده کنید.

کنسول

    ```
    $ pip install einops
    ```

برای اطلاعات بیشتر در مورد نحوه استفاده از Einops، به [مستندات رسمی](https://einops.rocks/)
مراجعه کنید .

### Evaluate

Evaluate یک کتابخانه ارزیابی یادگیری ماشین و مجموعه داده ها است که امکان بررسی دقیق
وظایف پردازش زبان طبیعی (NLP)، بینایی کامپیوتر و یادگیری تقویتی را فراهم می کند.
این بسته امکان استفاده از یک خط کد را برای ارزیابی مداوم مدل ها فراهم می کند.

برای نصب Evaluate، از مدیر بسته پایتون Pip استفاده کنید.

کنسول

    ```
    $ pip install evaluate
    ```

برای اطلاعات بیشتر و نمونه کدها، به [مستندات Evaluate](https://huggingface.co/docs/evaluate/index)
مراجعه کنید .

## محیط های توسعه

### Jupyter Notebook

ژوپیتر نوت بوک یک برنامه وب تعاملی خود-میزبان برای ایجاد و اشتراک گذاری اسناد محاسباتی
است که ممکن است شامل کد، توضیحات، داده های تجسمی، تصاویر یا عناصر کنترلی باشد. این
برنامه از زبان های برنامه نویسی رایج مانند پایتون، جولیا و آر پشتیبانی می کند. ژوپیتر
نوت بوک با استفاده از موارد زیر به شما امکان می دهد:

 * ایجاد، ویرایش و ذخیره اسناد محاسباتی
 * اجرای دستورات و برنامه های شخصی
 * نوت بوک های تولید شده را برای همکاری به اشتراک بگذارید

برای نصب Jupyter Notebook روی سیستم خود، از منابع زیر دیدن کنید:

 * [مستندات نوت بوک ژوپیتر](https://docs.jupyter.org/en/latest/)

### JupyterLab

ژوپیترلب (JupyterLab) یک محیط توسعه تعاملی (IDE) مبتنی بر وب و مستقل است که از اسناد
محاسباتی و توسعه پشتیبانی می کند. این IDE از فرمت های فایلی مانند `CSV`، `JSON`،`
markdown`و غیره پشتیبانی می کند و ویژگی های سهولت استفاده ای مانند موارد زیر را 
ارائه می دهد:

 * اشکال زدایی بصری و بررسی کد
 * باز کردن چندین تب در یک جلسه
 * نماهای تقسیم شده
 * گزینه های قالب بندی و سفارشی سازی

برای نصب و استفاده از JupyterLab، به منابع زیر مراجعه کنید:

 * [مستندات آزمایشگاه ژوپیتر](https://jupyterlab.readthedocs.io/en/latest/)

## نتیجه گیری

شما بسته های رایج یادگیری ماشین و هوش مصنوعی را بررسی کرده اید. بسته به نیازهای 
پروژه شما، کتابخانه های زیادی وجود دارد که می توانید برای گسترش قابلیت های برنامه
خود مستقر کنید. برای بهترین عملکرد، توصیه می شود بسته ها را روی یک نمونه مبتنی بر
GPU مانند سرور مجازی پلن آخر نگار نوین اجرا کنید.
