هیچ کس نمی خواهد سریال محبوب به پایان برسد. بعضی ها، مانند جی پی اس در Pachyderm، طول عمر طولانی خود را برای گسترش عمر خود، به نقطه استخدام ML برای خدمت به تخت آهن است.

این یک نمونه جدید از انتقال سبک است که ML ویژگی های اصلی ژانر را به منظور ایجاد نمونه های خود، مانند ما قبلا با هنر و حتی با پخت و پز آشنا کرده ایم.
اما اول از همه، چه
Pachyderm و چه کجا این کلمه آمده است؟
Pachy-Derm یک ترجمه مستقیم از کلمه یونانی "παχύ-δερμο" است که به معنی "پوست چرب" است که به الف در فیلمی اشاره دارد. فیل خود را برای نشان دادن رابطه Pachyderm با
Hadoop، یکی دیگر از آرم فیل، اما نشان می دهد به عنوان همپوش جدید و بهتر خود استفاده می شود.
Pachyderm، مانند Hadoop، یک موتور تحلیلگر است، به دنبال همان فلسفه است اما ساخته شده برای رفتن به جایی که Hadoop کوتاه می افتد. بنابراین در جای جای نوشتن مشاغل در جاوا و اجرای آنها در JVM، از ظروف Docker مستقر در Kubernetes استفاده می شود که می تواند شامل شغل های نوشته شده در هر زبان باشد. در عوض HDFS، از فایل سیستم Pachyderm استفاده می کند و در عوض MapReduce، از Pipetines Pachyderm برای بسته بندی لوله ها با هم استفاده می کند، همانطور که در مثال مثال GoT ML نشان داده شده است. برای اطلاعات بیشتر در مورد آخرین نسخه، از Pachyderm دیدن سریع تر و به دست آوردن بودجه.
هدف Pachyderm این است که برنامه نویسان را که با MapReduce یا
برنامه نویسی Java آشنا نیستند را برای نوشتن برنامه های تجزیه و تحلیل خود با هر وسیله ای که مناسب می بینند را قادر می سازد؛ به عنوان مثال، توسعه دهندگان می توانند پردازش داده های خود را بدون نیاز به دانش فنی تخصصی انجام دهند، از این رو Pachyderm به عنوان بسیار قابل دسترس گزینه از Hadoop.
مثال GoT شامل قرار دادن Pachyderm به عنوان یک ظرف در Kubernetes در AWS S3 سطل و مخزن نگه داشتن داده های ورودی / خروجی مورد استفاده است.
داده های ورودی اسکریپت های پیش پردازش شده فصل 1 قسمت 1 هستند. آنها برای کمک به شبکه عصبی مکرر مورد استفاده قرار گرفته اند که بین محاوره ها و سایر عناصر اسکریپت به عنوان "نمایش"، به طور عمده جهت صحنه و تنظیمات زمینه، تشخیص داده می شود:
Pachyderm این داده ها ذخیره شده محلی را می گیرد و اولین خط لوله را شروع می کند و داده ها را به ظرفی که
TensorFlow را اجرا می کنند را برای آموزش مدل می گیرد. پس از پردازش، TF خروجی مدل و همچنین فایل های خاص TF را به عقب بازگرداند.
سپس خط دوم شروع می شود که به عنوان ورودی آن فایل های خروجی در مرحله قبل را می گیرد و با آن یک مثال دیگر TF برای تولید اسکریپت ها فراهم می کند. همانطور که ساده است، بدون پیچیدگی MapReduce.

اولین اسکریپتهای ساخته شده حساسیت زیادی نداشتند، اما با افزایش سطح دقت TensorFlow و همچنین تغذیه اسکریپتهای NN، کیفیت نیز میتواند بسیار بهبود یابد. با این حال، توجه داشته باشید که افزایش دقت نیز زمان پردازش را از ساعت ها تا حتی روزها بسته به زیرساخت های زیرزمینی افزایش می دهد.
پروژه Github repo حاوی اسکریپت هایی است که با دقت مدل کم تولید شده اند، بد نیست بدانید که کل فرآیند یک ساعت طول می کشد و در حالی که برنده Emmys نمی شود، آنها به عنوان یک شاهکار قابل توجهی از انتقال سبک به حساب می آیند تا اینکه "بسیار ماهیت" بدست آورد.
این شبکه عصبی زبان انگلیسی را نمی دانست، خیلی کمتر دستور زبان، اما برخی از قطعات ساختار را برداشت:
آن آموخته است که هر خط یا یک خط سخن گفته است، یا یک خط نمایشگاه
آن را یاد گرفت که خطوط گفتاری با یک نام شروع می شود
آن را یاد گرفتم که کلمات نام ها بودند
آن را آموخت که چگونه براکت ها را در اطراف یک نام باز / بسته کن
این نوع کلمات را آموخت (افعال کنونی فعلی، من / شما
اسم ها) استفاده می شود در خطوط گفتاری
آن را یاد گرفت چگونه برای باز کردن / بستن براکت برای خطوط نمایشگاه
آن را یاد گرفت چه نوع از کلمات (شخص 3) استفاده می شود
قرار دادن اسکریپت های دیگر به طور خودکار دوباره خط لوله را برای بازآموزی مدل و تولید اسکریپت های جدید به طور خودکار شروع می کند. بازپرداخت پروژه همچنین شامل دستورالعمل هایی در مورد چگونگی تکرار آزمایش خود می شود، بنابراین اگر کیفیت خروجی درست باشد، برای خودتان قضاوت کنید طرح سری.
بگو، چرا شبکه اجازه ندهید فصل 9 را تنظیم کند و همه را خوشحال کند؟