Tutkijat jatkavat uusien malliarkkitehtuurien kehittämistä yleisiin koneoppimistehtäviin (ML). Eräs tällainen tehtävä on kuvien luokittelu, jossa kuvat hyväksytään syötteeksi ja malli yrittää luokitella kuvan kokonaiseksi objektitunnistetulosteilla. Koska nykyään on saatavilla monia malleja, jotka suorittavat tämän kuvan luokittelutehtävän, ML-ammattilainen voi esittää kysymyksiä, kuten: "Mitä mallia minun pitäisi hienosäätää ja sitten ottaa käyttöön, jotta saavutetaan paras suorituskyky tietojoukossani?" Ja ML-tutkija voi kysyä kysymyksiä, kuten: "Kuinka voin luoda oman reilun vertailuni useista malliarkkitehtuureista tiettyyn tietojoukkoon samalla kun ohjaan koulutuksen hyperparametreja ja tietokoneiden määrityksiä, kuten GPU:ita, suorittimia ja RAM-muistia?" Edellinen kysymys koskee mallien valintaa malliarkkitehtuurien välillä, kun taas jälkimmäinen kysymys koskee koulutettujen mallien vertailua testiaineistoon.
Tässä viestissä näet, kuinka TensorFlow-kuvaluokitus algoritmi Amazon SageMaker JumpStart voi yksinkertaistaa näiden kysymysten ratkaisemiseen tarvittavia toteutuksia. Yhdessä toteutustietojen kanssa vastaavassa esimerkki Jupyter-muistikirjasta, sinulla on käytettävissäsi työkaluja mallien valinnan suorittamiseen tutkimalla paretorajoja, joissa yhden suorituskykymittarin, kuten tarkkuuden, parantaminen ei ole mahdollista ilman toisen mittarin, kuten suorituskyvyn, heikkenemistä.
Ratkaisun yleiskatsaus
Seuraava kuva havainnollistaa mallin valinnan kompromissia useille kuvien luokittelumalleille, jotka on hienosäädetty Caltech-256 tietojoukko, joka on haastava joukko 30,607 256 todellista kuvaa, jotka kattavat XNUMX kohdeluokkaa. Jokainen piste edustaa yhtä mallia, pistekoot skaalataan mallin sisältävien parametrien lukumäärän mukaan ja pisteet on värikoodattu malliarkkitehtuurinsa perusteella. Esimerkiksi vaaleanvihreät pisteet edustavat EfficientNet-arkkitehtuuria; jokainen vaaleanvihreä piste on tämän arkkitehtuurin erilainen konfiguraatio ainutlaatuisilla hienosäädetyillä mallin suorituskykymittauksilla. Kuvassa on mallin valinnassa pareto-raja, jossa suurempi tarkkuus vaihdetaan pienempään suorituskykyyn. Viime kädessä mallin valinta pareto-rajalla tai paretotehokkaiden ratkaisujen sarja riippuu mallisi käyttöönoton suorituskykyvaatimuksista.
Jos tarkkailet testin tarkkuutta ja testauksen suorituskyvyn kiinnostavia rajoja, edellisen kuvan paretotehokkaiden ratkaisujen sarja on poimittu seuraavaan taulukkoon. Rivit lajitellaan siten, että testin suorituskyky kasvaa ja testin tarkkuus vähenee.
Mallin nimi | Parametrien määrä | Testin tarkkuus | Testaa Top 5 -tarkkuus | Suorituskyky (kuvaa/s) | Kesto aikakausia kohti |
swin-large-patch4-window12-384 | 195.6M | 96.4% | 99.5% | 0.3 | 2278.6 |
swin-large-patch4-window7-224 | 195.4M | 96.1% | 99.5% | 1.1 | 698.0 |
efficientnet-v2-imagenet21k-ft1k-l | 118.1M | 95.1% | 99.2% | 4.5 | 1434.7 |
efficientnet-v2-imagenet21k-ft1k-m | 53.5M | 94.8% | 99.1% | 8.0 | 769.1 |
efficientnet-v2-imagenet21k-m | 53.5M | 93.1% | 98.5% | 8.0 | 765.1 |
efficientnet-b5 | 29.0M | 90.8% | 98.1% | 9.1 | 668.6 |
efficientnet-v2-imagenet21k-ft1k-b1 | 7.3M | 89.7% | 97.3% | 14.6 | 54.3 |
efficientnet-v2-imagenet21k-ft1k-b0 | 6.2M | 89.0% | 97.0% | 20.5 | 38.3 |
efficientnet-v2-imagenet21k-b0 | 6.2M | 87.0% | 95.6% | 21.5 | 38.2 |
mobilenet-v3-large-100-224 | 4.6M | 84.9% | 95.4% | 27.4 | 28.8 |
mobilenet-v3-large-075-224 | 3.1M | 83.3% | 95.2% | 30.3 | 26.6 |
mobilenet-v2-100-192 | 2.6M | 80.8% | 93.5% | 33.5 | 23.9 |
mobilenet-v2-100-160 | 2.6M | 80.2% | 93.2% | 40.0 | 19.6 |
mobilenet-v2-075-160 | 1.7M | 78.2% | 92.8% | 41.8 | 19.3 |
mobilenet-v2-075-128 | 1.7M | 76.1% | 91.1% | 44.3 | 18.3 |
mobilenet-v1-075-160 | 2.0M | 75.7% | 91.0% | 44.5 | 18.2 |
mobilenet-v1-100-128 | 3.5M | 75.1% | 90.7% | 47.4 | 17.4 |
mobilenet-v1-075-128 | 2.0M | 73.2% | 90.0% | 48.9 | 16.8 |
mobilenet-v2-075-96 | 1.7M | 71.9% | 88.5% | 49.4 | 16.6 |
mobilenet-v2-035-96 | 0.7M | 63.7% | 83.1% | 50.4 | 16.3 |
mobilenet-v1-025-128 | 0.3M | 59.0% | 80.7% | 50.8 | 16.2 |
Tämä viesti sisältää yksityiskohtia siitä, kuinka toteuttaa laajamittaista Amazon Sage Maker benchmarking- ja mallinvalintatehtävät. Ensin esittelemme JumpStartin ja sisäänrakennetut TensorFlow-kuvan luokittelualgoritmit. Keskustelemme sitten korkean tason toteutusnäkökohdista, kuten JumpStart-hyperparametrikokoonpanoista, metriikan poimimisesta Amazon CloudWatch -lokitja käynnistää asynkronisia hyperparametrien viritystöitä. Lopuksi käymme läpi toteutusympäristön ja parametroinnin, joka johtaa paretotehokkaisiin ratkaisuihin edellisessä taulukossa ja kuvassa.
Johdatus JumpStart TensorFlow -kuvaluokitukseen
JumpStart tarjoaa yhdellä napsautuksella hienosäädön ja laajan valikoiman esikoulutettujen mallien käyttöönoton suosituissa ML-tehtävissä sekä valikoiman päästä päähän -ratkaisuja, jotka ratkaisevat yleisiä liiketoimintaongelmia. Nämä ominaisuudet poistavat raskasta nostoa ML-prosessin jokaisesta vaiheesta, mikä helpottaa korkealaatuisten mallien kehittämistä ja lyhentää käyttöönottoon kuluvaa aikaa. The JumpStart API:t avulla voit ottaa ohjelmallisesti käyttöön ja hienosäätää laajan valikoiman esikoulutettuja malleja omissa tietojoukoissasi.
JumpStart-mallikeskus tarjoaa pääsyn suureen määrään TensorFlow-kuvaluokitusmallit jotka mahdollistavat siirron oppimisen ja mukautetun tietojoukon hienosäädön. Tätä kirjoitettaessa JumpStart-mallikeskus sisältää 135 TensorFlow-kuvaluokitusmallia useissa suosituissa malliarkkitehtuureissa TensorFlow -napa, mukaan lukien jäännösverkot (ResNet), MobileNet, Tehokas verkko, Alku, Neural Architecture Search Networks (NASNet), Iso siirto (Bitti), siirretty ikkuna (Sika) muuntajat, Luokka-huomio kuvamuuntajissa (CaiT) ja datatehokkaat kuvanmuuntajat (DeiT).
Kuhunkin malliarkkitehtuuriin kuuluu hyvin erilaisia sisäisiä rakenteita. Esimerkiksi ResNet-mallit hyödyntävät ohitusyhteyksiä mahdollistaakseen huomattavasti syvempiä verkkoja, kun taas muuntajapohjaisissa malleissa käytetään itsetarkkailumekanismeja, jotka eliminoivat konvoluutiotoimintojen luontaisen lokaisuuden globaalimpien vastaanottavien kenttien hyväksi. Näiden erilaisten rakenteiden tarjoamien monipuolisten ominaisuusjoukkojen lisäksi jokaisessa malliarkkitehtuurissa on useita kokoonpanoja, jotka säätävät mallin kokoa, muotoa ja monimutkaisuutta kyseisessä arkkitehtuurin sisällä. Tämän seurauksena JumpStart-mallikeskuksessa on saatavilla satoja ainutlaatuisia kuvaluokitusmalleja. Yhdessä sisäänrakennettujen siirto-oppimis- ja päättelykomentosarjojen kanssa, jotka sisältävät monia SageMaker-ominaisuuksia, JumpStart API on loistava aloituspiste ML-harjoittajille, jotta he voivat aloittaa koulutuksen ja mallien käyttöönoton nopeasti.
Mainita Siirrä oppimista TensorFlow-kuvaluokitusmalleille Amazon SageMakerissa ja seuraavat esimerkki muistikirja oppiaksesi SageMaker TensorFlow -kuvien luokittelusta syvällisemmin, mukaan lukien johtopäätöksen tekeminen esiopetetulla mallilla sekä esiopetetun mallin hienosäätäminen mukautetussa tietojoukossa.
Laajamittainen mallin valintanäkökohdat
Mallin valinta on prosessi, jossa valitaan paras malli ehdokasmallien joukosta. Tätä prosessia voidaan soveltaa samantyyppisissä malleissa, joilla on eri parametripainot, ja erityyppisissä malleissa. Esimerkkejä mallien valinnasta samantyyppisten mallien välillä ovat saman mallin sovittaminen eri hyperparametreillä (esimerkiksi oppimisnopeus) ja varhainen pysäytys, jotta estetään mallien painojen liiallinen sovittaminen junatietojoukkoon. Mallin valinta eri tyyppisistä malleista sisältää parhaan malliarkkitehtuurin valitsemisen (esimerkiksi Swin vs. MobileNet) ja parhaiden mallikonfiguraatioiden valitsemisen yhden malliarkkitehtuurin sisällä (esim. mobilenet-v1-025-128
vs. mobilenet-v3-large-100-224
).
Tässä osiossa esitetyt näkökohdat mahdollistavat kaikki nämä mallinvalintaprosessit validointitietojoukossa.
Valitse hyperparametrimääritykset
TensorFlow-kuvaluokittelu JumpStartissa on saatavilla suuri määrä hyperparametrien joka voi säätää siirron oppimiskomentosarjan käyttäytymistä yhtenäisesti kaikissa malliarkkitehtuureissa. Nämä hyperparametrit liittyvät tietojen lisäykseen ja esikäsittelyyn, optimoijan määrittelyyn, ylisovitussäätimiin ja koulutettavan tason ilmaisimiin. Sinua kehotetaan säätämään näiden hyperparametrien oletusarvoja sovelluksesi tarpeen mukaan:
Tätä analyysiä ja siihen liittyvää muistikirjaa varten kaikki hyperparametrit on asetettu oletusarvoihin paitsi oppimisnopeus, aikakausien lukumäärä ja aikaisen pysäytyksen määritykset. Oppimisaste on säädetty a kategorinen parametri mukaan Automaattinen SageMaker-viritys Job. Koska jokaisella mallilla on ainutlaatuiset hyperparametrien oletusarvot, erillinen luettelo mahdollisista oppimisnopeuksista sisältää oletusoppimisnopeuden sekä viidesosan oletusoppimisnopeudesta. Tämä käynnistää kaksi koulutustyötä yhdelle hyperparametrin viritystyölle, ja koulutustyö, jolla on paras raportoitu suorituskyky validointitietojoukossa, valitaan. Koska jaksojen määräksi on asetettu 10, mikä on suurempi kuin hyperparametrin oletusasetus, valittu paras harjoitustyö ei aina vastaa oletusarvoista oppimisnopeutta. Lopuksi käytetään varhaisen lopettamisen kriteeriä kärsivällisyydellä tai kolmen aikakauden jaksojen lukumäärällä harjoituksen jatkamiseen ilman parantumista.
Yksi erityisen tärkeä hyperparametrin oletusasetus on train_only_on_top_layer
, missä, jos se on asetettu True
, mallin ominaisuuksien poimintakerroksia ei ole hienosäädetty toimitetussa harjoitustietojoukossa. Optimoija opettaa vain ylimmän täysin yhdistetyn luokituskerroksen parametreja, joiden lähdön ulottuvuus on yhtä suuri kuin tietojoukon luokkatunnisteiden lukumäärä. Oletuksena tämä hyperparametri on asetettu arvoon True
, joka on asetus, joka on tarkoitettu siirtämään oppimista pienissä tietojoukoissa. Sinulla voi olla mukautettu tietojoukko, jossa ominaisuuksien poimiminen ImageNet-tietojoukon esikoulutuksesta ei riitä. Näissä tapauksissa sinun tulee asettaa train_only_on_top_layer
että False
. Vaikka tämä asetus pidentää harjoitusaikaa, poimit mielekkäämpiä ominaisuuksia kiinnostavallesi ongelmalle, mikä lisää tarkkuutta.
Poimi mittareita CloudWatch-lokeista
JumpStart TensorFlow -kuvan luokittelualgoritmi kirjaa luotettavasti erilaisia mittareita harjoituksen aikana, jotka ovat SageMakerin käytettävissä. Estimator
ja HyperparameterTuner-objekteja. SageMakerin rakentaja Estimator
on metric_definitions
avainsanaargumentti, jota voidaan käyttää arvioimaan koulutustyötä tarjoamalla luettelo sanakirjoista, joissa on kaksi avainta: Mittarin nimen nimi ja Regex
säännölliselle lausekkeelle, jota käytetään mittarin poimimiseen lokeista. Mukana oleva muistikirja näyttää toteutustiedot. Seuraavassa taulukossa on lueteltu käytettävissä olevat tiedot ja niihin liittyvät säännölliset lausekkeet kaikille JumpStart TensorFlow -kuvaluokitusmalleille.
Mittarin nimi | Säännöllinen lauseke |
parametrien määrä | "- Parametrien määrä: ([0-9\.]+)" |
koulutettavien parametrien määrä | "- Koulutettavien parametrien määrä: ([0-9\.]+)" |
ei-opetettavien parametrien lukumäärä | "- Ei-opetettavien parametrien lukumäärä: ([0-9\.]+)" |
junatietojoukon metriikka | f"- {metriikka}: ([0-9\.]+)" |
validointitietojoukon metriikka | f"- val_{metriikka}: ([0-9\.]+)" |
testitietojoukon metriikka | f" - Testi {metriikka}: ([0-9\.]+)" |
junan kesto | "- Harjoittelun kokonaiskesto: ([0-9\.]+)" |
junan kesto aikakaudelta | "- Keskimääräinen harjoittelun kesto per aikakausi: ([0-9\.]+)" |
testin arvioinnin latenssi | "- Testin arvioinnin latenssi: ([0-9\.]+)" |
testausviive näytettä kohti | "- Keskimääräinen testiviive näytettä kohti: ([0-9\.]+)" |
testaa suorituskykyä | "- Keskimääräinen testikapasiteetti: ([0-9\.]+)" |
Sisäänrakennettu siirto-oppimisskripti tarjoaa erilaisia harjoitus-, validointi- ja testaustietojoukon mittareita näiden määritelmien sisällä, kuten f-merkkijonon korvausarvot edustavat. Tarkat käytettävissä olevat mittarit vaihtelevat suoritettavan luokituksen tyypin mukaan. Kaikissa kootuissa malleissa on a loss
metriikka, jota edustaa ristientropiahäviö joko binäärisessä tai kategorisessa luokitusongelmassa. Ensin mainittua käytetään, kun on yksi luokkatunniste; jälkimmäistä käytetään, jos luokkatunnisteita on kaksi tai useampia. Jos luokkatunniste on vain yksi, seuraavat tiedot lasketaan, kirjataan lokiin ja puretaan edellisen taulukon f-merkkijonosäännöllisten lausekkeiden kautta: todellisten positiivisten (true_pos
), väärien positiivisten tulosten määrä (false_pos
), todellisten negatiivien määrä (true_neg
), väärien negatiivisten tulosten määrä (false_neg
), precision
, recall
, vastaanottimen toimintakäyrän (ROC) alla oleva alue (auc
) ja tarkkuuspalautuskäyrän (PR) alla oleva pinta-ala (prc
). Vastaavasti, jos luokkatunnisteita on kuusi tai enemmän, 5 parhaan tarkkuusmittari (top_5_accuracy
) voidaan myös laskea, kirjata lokiin ja purkaa edeltävien säännöllisten lausekkeiden kautta.
Harjoittelun aikana SageMakerille määritellyt mittarit Estimator
lähetetään CloudWatch-lokeihin. Kun koulutus on suoritettu, voit kutsua SageMaker DescribeTrainingJob API ja tarkastaa FinalMetricDataList
näppäile JSON-vastaus:
Tämä API vaatii vain työn nimen toimittamista kyselyyn, joten kun se on valmis, mittareita voidaan saada tulevissa analyyseissä, kunhan koulutustyön nimi on asianmukaisesti kirjattu ja palautettavissa. Tätä mallinvalintatehtävää varten tallennetaan hyperparametrien viritystöiden nimet ja myöhemmät analyysit liitetään uudelleen a HyperparameterTuner
objektille, jolle on annettu viritystyön nimi, poimi paras harjoitustyön nimi liitetystä hyperparametrivirittimestä ja käynnistä sitten DescribeTrainingJob
API kuten aiemmin on kuvattu saadaksesi parhaaseen koulutustyöhön liittyvät tiedot.
Käynnistä asynkroniset hyperparametrien viritystyöt
Katso vastaava muistikirja toteuttaa yksityiskohtia hyperparametrien viritystöiden asynkronisesta käynnistämisestä, joka käyttää Python-standardikirjastoa samanaikaiset futuurit moduuli, korkean tason käyttöliittymä asynkronisesti suoritettavalle kutsuttaville tiedostoille. Tässä ratkaisussa on otettu käyttöön useita SageMakeriin liittyviä näkökohtia:
- Jokainen AWS-tili on sidoksissa SageMaker-palvelukiintiöt. Sinun tulee tarkastella nykyisiä rajoituksiasi, jotta voit hyödyntää resurssit täysimääräisesti, ja mahdollisesti pyytää resurssirajan lisäyksiä tarvittaessa.
- Toistuvat API-kutsut useiden samanaikaisten hyperparametrien viritystöiden luomiseksi saattavat ylittää Python SDK:n nopeus ja heittää kuristuspoikkeuksia. Ratkaisu tähän on luoda SageMaker Boto3 -asiakasohjelma mukautetulla uudelleenyrityskokoonpanolla.
- Mitä tapahtuu, jos skriptissäsi tapahtuu virhe tai komentosarja pysäytetään ennen valmistumista? Näin laajaa mallivalikoimaa tai vertailututkimusta varten voit kirjata viritystöiden nimiä ja tarjota mukavuustoimintoja liittää hyperparametrien viritystyöt uudelleen jotka ovat jo olemassa:
Analyysin yksityiskohdat ja keskustelu
Tämän viestin analyysi suorittaa siirto-oppimista mallitunnukset Caltech-256-tietojoukon JumpStart TensorFlow -kuvan luokittelualgoritmissa. Kaikki harjoitustyöt suoritettiin SageMaker-koulutusinstanssilla ml.g4dn.xlarge, joka sisältää yhden NVIDIA T4 GPU:n.
Testitietojoukko arvioidaan koulutusesiintymässä harjoituksen lopussa. Mallin valinta suoritetaan ennen testidatajoukon arviointia, jotta mallien painot asetetaan aikakaudelle, jolla on paras validointijoukon suorituskyky. Testin suorituskykyä ei ole optimoitu: tietojoukon eräkoko on asetettu oletusopetuksen hyperparametrin eräkokoon, jota ei ole säädetty maksimoimaan GPU-muistin käyttöä. raportoitu testikapasiteetti sisältää tietojen latausajan, koska tietojoukkoa ei ole tallennettu valmiiksi välimuistiin; ja hajautettua päättelyä useiden GPU:iden kesken ei käytetä. Näistä syistä tämä suoritusteho on hyvä suhteellinen mittaus, mutta todellinen suoritusteho riippuisi suuresti päätepisteen käyttöönottokokoonpanoista opetetulle mallille.
Vaikka JumpStart-mallikeskuksessa on monia kuvan luokitteluarkkitehtuurityyppejä, tätä pareto-rajaa hallitsevat valitut Swin-, EfficientNet- ja MobileNet-mallit. Swin-mallit ovat suurempia ja suhteellisen tarkempia, kun taas MobileNet-mallit ovat pienempiä, suhteellisesti vähemmän tarkkoja ja soveltuvat mobiililaitteiden resurssirajoituksiin. On tärkeää huomata, että tämä raja riippuu useista tekijöistä, mukaan lukien tarkka käytetty tietojoukko ja valitut hienosäätöiset hyperparametrit. Saatat huomata, että mukautettu tietojoukkosi tuottaa erilaisia paretotehokkaita ratkaisuja, ja saatat haluta pidempiä harjoitusaikoja erilaisilla hyperparametreillä, kuten enemmän tietojen lisäystä tai hienosäätöä enemmän kuin vain mallin ylimmän luokituskerroksen kanssa.
Yhteenveto
Tässä viestissä osoitimme, kuinka suuria mallien valinta- tai benchmarking-tehtäviä suoritetaan JumpStart-mallikeskuksen avulla. Tämä ratkaisu voi auttaa sinua valitsemaan tarpeisiisi parhaiten sopivan mallin. Kannustamme sinua kokeilemaan ja tutkimaan tätä ratkaisu omassa tietojoukossasi.
Viitteet
Lisätietoja on saatavilla seuraavista lähteistä:
Tietoja kirjoittajista
Tohtori Kyle Ulrich on soveltuva tutkija Amazon SageMakerin sisäänrakennetut algoritmit tiimi. Hänen tutkimusalueitaan ovat skaalautuvat koneoppimisalgoritmit, tietokonenäkö, aikasarjat, Bayesin ei-parametrit ja Gaussin prosessit. Hänen tohtorinsa on Duken yliopistosta ja hän on julkaissut artikkeleita NeurIPS-, Cell- ja Neuron-julkaisuissa.
Tohtori Ashish Khetan on vanhempi soveltuva tutkija Amazon SageMakerin sisäänrakennetut algoritmit ja auttaa kehittämään koneoppimisalgoritmeja. Hän sai tohtorin tutkinnon Illinois Urbana Champaignin yliopistosta. Hän on aktiivinen koneoppimisen ja tilastollisen päättelyn tutkija ja julkaissut monia artikkeleita NeurIPS-, ICML-, ICLR-, JMLR-, ACL- ja EMNLP-konferensseissa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/image-classification-model-selection-using-amazon-sagemaker-jumpstart/
- 10
- 100
- 9
- a
- Meistä
- pääsy
- saatavilla
- Tili
- tarkkuus
- tarkka
- Saavuttaa
- poikki
- aktiivinen
- Lisäksi
- osoite
- osoitteet
- Oikaistu
- Liittynyt
- vastaan
- algoritmi
- algoritmit
- Kaikki
- jo
- Vaikka
- aina
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- analyysi
- ja
- Toinen
- api
- Hakemus
- sovellettu
- asianmukaisesti
- arkkitehtuuri
- ALUE
- perustelu
- liittyvä
- liittää
- yrityksiä
- automaattisesti
- saatavissa
- keskimäärin
- AWS
- perustua
- Bayes
- koska
- ennen
- ovat
- PARAS
- Iso
- sisäänrakennettu
- liiketoiminta
- Puhelut
- ehdokkaat
- tapauksissa
- luokat
- haastava
- ominainen
- Valita
- luokka
- luokittelu
- luokitella
- asiakas
- yhdistetty
- Yhteinen
- vertailu
- täydellinen
- Valmistunut
- valmistuminen
- monimutkaisuus
- tietokone
- Tietokoneen visio
- huolenaiheet
- konferenssit
- Konfigurointi
- kytketty
- Liitännät
- näkökohdat
- rajoitteet
- sisältää
- jatkaa
- valvonta
- valvonta
- mukavuus
- vastaava
- kattaa
- luoda
- Nykyinen
- käyrä
- asiakassuhde
- tiedot
- aineistot
- syvempää
- oletusarvo
- riippuu
- sijoittaa
- levityspinnalta
- käyttöönotto
- syvyys
- on kuvattu
- kuvaus
- yksityiskohdat
- kehittää
- Laitteet
- eri
- pohtia
- jaettu
- useat
- ei
- Herttua
- herttua yliopisto
- aikana
- kukin
- Aikaisemmin
- Varhainen
- helpompaa
- tehokas
- myöskään
- poistaa
- mahdollistaa
- kannustaa
- kannusti
- päittäin
- päätepiste
- ympäristö
- aikakausi
- aikakausia
- virhe
- Eetteri (ETH)
- arvioida
- arvioitu
- arviointi
- esimerkki
- Esimerkit
- Paitsi
- tutkia
- Tutkiminen
- ilmauksia
- uute
- uuttaminen
- tekijät
- oikeudenmukainen
- suosivat
- Ominaisuus
- Ominaisuudet
- Fields
- Kuva
- Vihdoin
- Löytää
- Etunimi
- asennus
- jälkeen
- Entinen
- alkaen
- Raja
- Frontiers
- täysin
- tehtävät
- tulevaisuutta
- Futures
- tuottaa
- saada
- tietty
- Global
- hyvä
- GPU
- GPU
- suuri
- suurempi
- Vihreä
- tapahtuu
- raskaasti
- auttaa
- auttaa
- korkean tason
- korkealaatuisia
- korkeampi
- Miten
- Miten
- HTML
- HTTPS
- Napa
- Sadat
- Hyperparametrien viritys
- ICLR
- Illinois
- kuva
- Kuvaluokitus
- IMAGEnet
- kuvien
- toteuttaa
- täytäntöönpano
- täytäntöön
- merkitys
- tärkeä
- parannus
- parantaminen
- in
- sisältää
- sisältää
- Mukaan lukien
- Kasvaa
- Lisäykset
- lisää
- indikaattorit
- tiedot
- panos
- esimerkki
- korko
- etu
- liitäntä
- sisäinen
- luontainen
- esitellä
- IT
- Job
- Työpaikat
- json
- avain
- avaimet
- Merkki
- tarrat
- suuri
- laaja
- suurempi
- Viive
- käynnistää
- käynnistäminen
- kerros
- kerrokset
- johtava
- OPPIA
- oppiminen
- nosto
- valo
- RAJOITA
- rajat
- Lista
- Listat
- lastaus
- Pitkät
- kauemmin
- pois
- kone
- koneoppiminen
- Tekeminen
- monet
- Maksimoida
- mielekäs
- mitat
- Muisti
- metrinen
- Metrics
- ML
- Puhelinnumero
- mobiililaitteet
- malli
- mallit
- moduuli
- lisää
- moninkertainen
- nimi
- nimet
- välttämätön
- tarvitaan
- tarpeet
- verkot
- hermo-
- NeurIPS
- Uusi
- muistikirja
- numero
- Nvidia
- objekti
- esineet
- tarkkailla
- saada
- saatu
- ONE
- toiminta
- Operations
- optimoitu
- hahmoteltu
- oma
- paperit
- parametri
- parametrit
- erityinen
- Kärsivällisyys
- suorittaa
- suorituskyky
- suorittaa
- Platon
- Platonin tietotieto
- PlatonData
- Kohta
- pistettä
- Suosittu
- mahdollinen
- Kirje
- mahdollisesti
- pr
- estää
- Aikaisempi
- Ongelma
- ongelmia
- prosessi
- Prosessit
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- julkaistu
- Python
- kysymys
- kysymykset
- nopeasti
- RAM
- hinta
- Hinnat
- todellinen maailma
- syistä
- vähentämällä
- säännöllinen
- suhteellisesti
- poistaa
- raportoitu
- edustaa
- edustettuina
- edustaa
- pyyntö
- tarvitaan
- vaatimukset
- Vaatii
- tutkimus
- tutkija
- päätöslauselma
- resurssi
- Esittelymateriaalit
- vastaus
- tulokset
- ajaa
- juoksu
- sagemaker
- sama
- skaalautuva
- Tiedemies
- skriptejä
- sdk
- Haku
- Osa
- valittu
- valitsemalla
- valinta
- vanhempi
- Sarjat
- palvelu
- Istunto
- setti
- Setit
- asetus
- useat
- Shape
- shouldnt
- Näytä
- samalla lailla
- yksinkertaistaa
- samanaikainen
- single
- SIX
- Koko
- koot
- pieni
- pienempiä
- So
- ratkaisu
- Ratkaisumme
- SOLVE
- määrittely
- tekniset tiedot
- määritelty
- standardi
- alkoi
- tilastollinen
- Vaihe
- pysähtynyt
- pysäyttäminen
- tallennettu
- tutkimus
- myöhempi
- merkittävästi
- niin
- riittävä
- sopiva
- taulukko
- kohdennettu
- Tehtävä
- tehtävät
- joukkue-
- tensorflow
- testi
- -
- heidän
- siten
- kolmella
- suoritusteho
- aika
- Aikasarja
- kertaa
- että
- tänään
- yhdessä
- työkalut
- ylin
- top 5
- Yhteensä
- Juna
- koulutettu
- koulutus
- siirtää
- muuntajat
- totta
- tyypit
- Lopulta
- varten
- unique
- yliopisto
- Käyttö
- käyttää
- käyttää
- hyödynnetty
- validointi
- arvot
- lajike
- valtava
- kautta
- Näytä
- visio
- joka
- vaikka
- leveä
- tulee
- sisällä
- ilman
- olisi
- kirjoittaminen
- Sinun
- zephyrnet