Araştırmacılar, yaygın makine öğrenimi (ML) görevleri için yeni model mimarileri geliştirmeye devam ediyor. Böyle bir görev, görüntülerin girdi olarak kabul edildiği ve modelin görüntüyü nesne etiketi çıktılarıyla bir bütün olarak sınıflandırmaya çalıştığı görüntü sınıflandırmasıdır. Günümüzde bu görüntü sınıflandırma görevini gerçekleştiren birçok modelle, bir makine öğrenimi uygulayıcısı şu tür sorular sorabilir: "Veri kümemde en iyi performansı elde etmek için hangi modelde ince ayar yapmalı ve sonra dağıtmalıyım?" Ve bir makine öğrenimi araştırmacısı şuna benzer sorular sorabilir: "Eğitim hiperparametrelerini ve GPU'lar, CPU'lar ve RAM gibi bilgisayar özelliklerini kontrol ederken, belirli bir veri kümesiyle birden fazla model mimarisini kendi adil karşılaştırmamı nasıl oluşturabilirim?" İlk soru, model mimarileri genelinde model seçimini ele alırken, ikinci soru, eğitimli modelleri bir test veri kümesine göre kıyaslama ile ilgilidir.
Bu yazıda, nasıl olduğunu göreceksiniz TensorFlow görüntü sınıflandırması algoritması Amazon SageMaker Hızlı Başlangıç bu soruları ele almak için gereken uygulamaları basitleştirebilir. Uygulama ayrıntılarıyla birlikte ilgili bir örnek Jupyter not defteri, doğruluk gibi bir performans metriğini iyileştirmenin, verim gibi başka bir metriği kötüleştirmeden mümkün olmadığı pareto sınırlarını keşfederek model seçimi gerçekleştirmek için kullanılabilecek araçlara sahip olacaksınız.
Çözüme genel bakış
Aşağıdaki şekil, ince ayarlı çok sayıda görüntü sınıflandırma modeli için model seçimi değiş tokuşunu göstermektedir. Caltech-256 30,607 nesne kategorisini kapsayan 256 gerçek dünya görüntüsünden oluşan zorlu bir veri kümesi. Her nokta tek bir modeli temsil eder, nokta boyutları modeli oluşturan parametre sayısına göre ölçeklenir ve noktalar, model mimarilerine göre renk kodludur. Örneğin, açık yeşil noktalar EfficientNet mimarisini temsil eder; her açık yeşil nokta, benzersiz ince ayarlı model performans ölçümleriyle bu mimarinin farklı bir yapılandırmasıdır. Şekil, model seçimi için daha yüksek doğruluğun daha düşük verimle değiştirildiği bir pareto sınırının varlığını göstermektedir. Sonuç olarak, pareto sınırı boyunca bir modelin veya pareto verimli çözümler kümesinin seçimi, model dağıtım performans gereksinimlerinize bağlıdır.
Test doğruluğunu ve ilgili test çıktı sınırlarını gözlemlerseniz, önceki şekildeki pareto verimli çözümler kümesi aşağıdaki tabloda çıkarılır. Satırlar, test verimi artacak ve test doğruluğu azalacak şekilde sıralanır.
Model adı | Parametre Sayısı | Test Doğruluğu | İlk 5 Doğruluğu Test Edin | Verim (görüntü/sn) | Dönem(ler) başına süre |
swin-geniş yama4-window12-384 | 195.6M | %96.4 | %99.5 | 0.3 | 2278.6 |
swin-geniş yama4-window7-224 | 195.4M | %96.1 | %99.5 | 1.1 | 698.0 |
verimlinet-v2-imagenet21k-ft1k-l | 118.1M | %95.1 | %99.2 | 4.5 | 1434.7 |
verimlinet-v2-imagenet21k-ft1k-m | 53.5M | %94.8 | %99.1 | 8.0 | 769.1 |
verimlinet-v2-imagenet21k-m | 53.5M | %93.1 | %98.5 | 8.0 | 765.1 |
verimlinet-b5 | 29.0M | %90.8 | %98.1 | 9.1 | 668.6 |
verimlinet-v2-imagenet21k-ft1k-b1 | 7.3M | %89.7 | %97.3 | 14.6 | 54.3 |
verimlinet-v2-imagenet21k-ft1k-b0 | 6.2M | %89.0 | %97.0 | 20.5 | 38.3 |
verimlinet-v2-imagenet21k-b0 | 6.2M | %87.0 | %95.6 | 21.5 | 38.2 |
mobilenet-v3-büyük-100-224 | 4.6M | %84.9 | %95.4 | 27.4 | 28.8 |
mobilenet-v3-büyük-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 |
Bu gönderi, büyük ölçekli uygulamanın nasıl uygulanacağına ilişkin ayrıntılar sağlar Amazon Adaçayı Yapıcı kıyaslama ve model seçimi görevleri. İlk olarak, JumpStart'ı ve yerleşik TensorFlow görüntü sınıflandırma algoritmalarını tanıtıyoruz. Ardından, JumpStart hiperparametre yapılandırmaları, metrik çıkarma gibi üst düzey uygulama konularını tartışırız. Amazon CloudWatch Günlüklerive eşzamansız hiperparametre ayarlama işlerini başlatma. Son olarak, önceki tablo ve şekilde pareto verimli çözümlere götüren uygulama ortamını ve parametreleştirmeyi ele alıyoruz.
JumpStart TensorFlow görüntü sınıflandırmasına giriş
JumpStart, popüler makine öğrenimi görevlerinde çok çeşitli önceden eğitilmiş modellerin tek tıkla ince ayarını ve dağıtımını ve yaygın iş sorunlarını çözen uçtan uca çözümler sunar. Bu özellikler makine öğrenimi sürecinin her adımındaki ağır yükü ortadan kaldırarak yüksek kaliteli modeller geliştirmeyi kolaylaştırır ve devreye alma süresini kısaltır. bu Hızlı Başlangıç API'leri kendi veri kümelerinizde çok çeşitli önceden eğitilmiş modelleri programlı olarak dağıtmanıza ve ince ayar yapmanıza olanak tanır.
JumpStart model merkezi, çok sayıda modele erişim sağlar. TensorFlow görüntü sınıflandırma modelleri transfer öğrenmeyi ve özel veri kümelerinde ince ayar yapmayı etkinleştirir. Bu yazı itibariyle, JumpStart model merkezi, çeşitli popüler model mimarilerinde 135 TensorFlow görüntü sınıflandırma modeli içermektedir. TensorFlow Merkeziartık ağları dahil etmek için (ResNet), MobilNet, EfficientNet, Inception, Sinir Mimarisi Arama Ağları (NASNet), Büyük Aktarım (Biraz), kaydırılan pencere (Domuz) transformatörler, Görüntü Transformatörlerinde Sınıf Dikkatine (CaiT) ve Veri Verimli Görüntü Dönüştürücüler (DeiT).
Her bir model mimarisini büyük ölçüde farklı iç yapılar oluşturur. Örneğin, ResNet modelleri, büyük ölçüde daha derin ağlara izin vermek için atlama bağlantılarını kullanırken, trafo tabanlı modeller, daha küresel alıcı alanlar lehine evrişim işlemlerinin içsel yerelliğini ortadan kaldıran kendi kendine dikkat mekanizmalarını kullanır. Bu farklı yapıların sağladığı çeşitli özellik setlerine ek olarak, her bir model mimarisi, o mimari içindeki model boyutunu, şeklini ve karmaşıklığını ayarlayan çeşitli konfigürasyonlara sahiptir. Bu, JumpStart model merkezinde bulunan yüzlerce benzersiz görüntü sınıflandırma modeliyle sonuçlanır. Birçok SageMaker özelliğini kapsayan yerleşik transfer öğrenimi ve çıkarım betikleriyle birleştirilen JumpStart API, makine öğrenimi uygulayıcılarının modelleri hızlı bir şekilde eğitmeye ve dağıtmaya başlaması için harika bir başlangıç noktasıdır.
Bakın Amazon SageMaker'da TensorFlow görüntü sınıflandırma modelleri için öğrenimi aktarın ve aşağıdaki örnek not defteri önceden eğitilmiş bir model üzerinde çıkarımın nasıl çalıştırılacağı ve özel bir veri kümesi üzerinde önceden eğitilmiş modelde ince ayar yapılması da dahil olmak üzere SageMaker TensorFlow görüntü sınıflandırması hakkında daha derinlemesine bilgi edinmek için.
Büyük ölçekli model seçimi hususları
Model seçimi, bir dizi aday model arasından en iyi modeli seçme sürecidir. Bu süreç, farklı parametre ağırlıklarına sahip aynı tip modeller arasında ve farklı tipteki modeller arasında uygulanabilir. Aynı türdeki modeller arasında model seçimi örnekleri arasında, aynı modelin farklı hiperparametrelerle (örneğin, öğrenme hızı) uydurulması ve model ağırlıklarının tren veri kümesine aşırı uyarlanmasını önlemek için erken durdurulması yer alır. Farklı türlerdeki modeller arasında model seçimi, en iyi model mimarisinin seçilmesini (örneğin Swin ve MobileNet) ve tek bir model mimarisi içinde en iyi model konfigürasyonlarının seçilmesini içerir (örneğin, mobilenet-v1-025-128
vs mobilenet-v3-large-100-224
).
Bu bölümde özetlenen hususlar, bir doğrulama veri kümesinde tüm bu model seçim süreçlerini etkinleştirir.
Hiperparametre yapılandırmalarını seçin
JumpStart'ta TensorFlow görüntü sınıflandırması çok sayıda kullanılabilir hiperparametreler tüm model mimarileri için transfer öğrenme komut dosyası davranışlarını tek tip olarak ayarlayabilir. Bu hiperparametreler, veri artırma ve ön işleme, optimize edici spesifikasyonu, fazla uydurma kontrolleri ve eğitilebilir katman göstergeleri ile ilgilidir. Bu hiperparametrelerin varsayılan değerlerini uygulamanız için gerekli olduğu şekilde ayarlamanız önerilir:
Bu analiz ve ilişkili not defteri için, öğrenme oranı, dönem sayısı ve erken durdurma belirtimi dışında tüm hiperparametreler varsayılan değerlere ayarlanmıştır. Öğrenme oranı şu şekilde ayarlanır: kategorik parametre tarafından SageMaker otomatik model ayarı iş. Her modelin benzersiz varsayılan hiperparametre değerleri olduğundan, olası öğrenme hızlarının ayrı listesi varsayılan öğrenme hızının yanı sıra varsayılan öğrenme hızının beşte birini içerir. Bu, tek bir hiperparametre ayarlama işi için iki eğitim işi başlatır ve doğrulama veri kümesinde bildirilen en iyi performansa sahip eğitim işi seçilir. Dönem sayısı, varsayılan hiperparametre ayarından daha yüksek olan 10'a ayarlandığından, seçilen en iyi eğitim işi her zaman varsayılan öğrenme hızına karşılık gelmez. Son olarak, üç dönemlik bir sabırla veya eğitime hiçbir gelişme olmadan devam etmek için dönem sayısı ile erken durdurma kriteri kullanılır.
Özel öneme sahip bir varsayılan hiperparametre ayarı train_only_on_top_layer
, nerede, eğer ayarlanırsa True
, modelin özellik çıkarma katmanlarının ince ayarı sağlanan eğitim veri kümesinde yapılmaz. Optimize edici, yalnızca, veri kümesindeki sınıf etiketlerinin sayısına eşit çıktı boyutsallığı ile en üstteki tam bağlantılı sınıflandırma katmanındaki parametreleri eğitecektir. Varsayılan olarak, bu hiperparametre şu şekilde ayarlanmıştır: True
, küçük veri kümelerinde aktarım öğrenimi için hedeflenen bir ayardır. ImageNet veri kümesindeki ön eğitimden özellik çıkarmanın yeterli olmadığı özel bir veri kümeniz olabilir. Bu durumlarda, ayarlamanız gerekir train_only_on_top_layer
için False
. Bu ayar eğitim süresini artıracak olsa da, ilgilendiğiniz problem için daha anlamlı özellikler çıkaracak ve böylece doğruluğu artıracaksınız.
CloudWatch Günlüklerinden metrikleri çıkarın
JumpStart TensorFlow görüntü sınıflandırma algoritması, eğitim sırasında SageMaker tarafından erişilebilen çeşitli ölçümleri güvenilir bir şekilde günlüğe kaydeder. Estimator
ve HyperparameterTuner nesneleri. Bir SageMaker'ın kurucusu Estimator
Sahiptir-A metric_definitions
iki anahtar içeren bir sözlük listesi sağlayarak eğitim işini değerlendirmek için kullanılabilecek anahtar kelime bağımsız değişkeni: Metriğin adı için ad ve Regex
günlüklerden metriği çıkarmak için kullanılan normal ifade için. Eşlik eden defter uygulama ayrıntılarını gösterir. Aşağıdaki tablo, tüm JumpStart TensorFlow görüntü sınıflandırma modelleri için mevcut metrikleri ve ilişkili normal ifadeleri listeler.
Metrik Adı | Düzenli İfade |
parametre sayısı | "- Parametre sayısı: ([0-9\.]+)" |
eğitilebilir parametre sayısı | "- Eğitilebilir parametre sayısı: ([0-9\.]+)" |
eğitilemeyen parametre sayısı | "- Eğitilemeyen parametrelerin sayısı: ([0-9\.]+)" |
tren veri kümesi metriği | f”- {metrik}: ([0-9\.]+)” |
doğrulama veri kümesi metriği | f”- val_{metrik}: ([0-9\.]+)” |
test veri kümesi metriği | f”- Test {metrik}: ([0-9\.]+)” |
tren süresi | “- Toplam eğitim süresi: ([0-9\.]+)” |
çağ başına tren süresi | "- Dönem başına ortalama eğitim süresi: ([0-9\.]+)" |
test değerlendirme gecikmesi | “- Test değerlendirme gecikmesi: ([0-9\.]+)” |
örnek başına test gecikmesi | “- Numune başına ortalama test gecikmesi: ([0-9\.]+)” |
test çıktısı | "- Ortalama test çıktısı: ([0-9\.]+)" |
Yerleşik aktarım öğrenme betiği, f-string değiştirme değerleri tarafından temsil edildiği gibi, bu tanımlar dahilinde çeşitli tren, doğrulama ve test veri kümesi ölçümleri sağlar. Mevcut kesin metrikler, gerçekleştirilen sınıflandırma türüne göre değişir. Tüm derlenmiş modellerin bir loss
ikili veya kategorik bir sınıflandırma problemi için bir çapraz entropi kaybıyla temsil edilen metrik. İlki, bir sınıf etiketi olduğunda kullanılır; ikincisi, iki veya daha fazla sınıf etiketi varsa kullanılır. Yalnızca tek bir sınıf etiketi varsa, aşağıdaki metrikler hesaplanır, günlüğe kaydedilir ve önceki tablodaki f-dizesi düzenli ifadeleri aracılığıyla çıkarılabilir: gerçek pozitif sayısı (true_pos
), yanlış pozitif sayısı (false_pos
), gerçek negatiflerin sayısı (true_neg
), yanlış negatif sayısı (false_neg
), precision
, recall
, alıcı işletim karakteristiği (ROC) eğrisinin altındaki alan (auc
) ve hassas geri çağırma (PR) eğrisinin altındaki alan (prc
). Benzer şekilde, altı veya daha fazla sınıf etiketi varsa, ilk 5 doğruluk metriği (top_5_accuracy
) ayrıca önceki normal ifadeler aracılığıyla hesaplanabilir, günlüğe kaydedilebilir ve çıkarılabilir.
Eğitim sırasında, bir SageMaker'a belirtilen metrikler Estimator
CloudWatch Logs'a gönderilir. Eğitim tamamlandığında, SageMaker DescribeTrainingJob API'si ve inceleyin FinalMetricDataList
JSON yanıtını girin:
Bu API, sorguya yalnızca iş adının sağlanmasını gerektirir; bu nedenle, tamamlandıktan sonra, eğitim işi adı uygun şekilde günlüğe kaydedildiği ve kurtarılabilir olduğu sürece metrikler gelecekteki analizlerde elde edilebilir. Bu model seçim görevi için, hiperparametre ayarlama işi adları saklanır ve müteakip analizler bir HyperparameterTuner
Ayarlama işi adı verilen nesneyi seçin, ekli hiperparametre ayarlayıcısından en iyi eğitim işi adını çıkarın ve ardından DescribeTrainingJob
En iyi eğitim işiyle ilişkili metrikleri elde etmek için daha önce açıklandığı gibi API.
Eşzamansız hiperparametre ayarlama işlerini başlat
ilgili bakın defter Python standart kitaplığının eşzamanlı vadeli işlemler Eşzamansız çalışan çağrılabilir öğeler için üst düzey bir arabirim olan modül. Bu çözümde SageMaker ile ilgili birkaç husus uygulanmaktadır:
- Her AWS hesabı şuna bağlıdır: SageMaker hizmet kotaları. Kaynaklarınızı tam olarak kullanmak için mevcut limitlerinizi görüntülemeli ve gerektiğinde potansiyel olarak kaynak limiti artışları talep etmelisiniz.
- Birçok eş zamanlı hiperparametre ayarlama işi oluşturmak için sık sık yapılan API çağrıları, Python SDK oranını aşar ve kısıtlama istisnaları atar. Bunun çözümü, özel bir yeniden deneme yapılandırmasına sahip bir SageMaker Boto3 istemcisi oluşturmaktır.
- Komut dosyanız bir hatayla karşılaşırsa veya komut dosyası tamamlanmadan durdurulursa ne olur? Böylesine büyük bir model seçimi veya kıyaslama çalışması için, ayarlama işi adlarını günlüğe kaydedebilir ve kolaylık sağlayan işlevler sağlayabilirsiniz. hiperparametre ayarlama işlerini yeniden bağla zaten var olan:
Analiz detayları ve tartışma
Bu gönderideki analiz, transfer öğrenimini gerçekleştirir. model kimlikleri Caltech-256 veri kümesindeki JumpStart TensorFlow görüntü sınıflandırma algoritmasında. Tüm eğitim işleri, tek bir NVIDIA T4 GPU içeren SageMaker eğitim örneği ml.g4dn.xlarge üzerinde gerçekleştirildi.
Test veri kümesi, eğitimin sonunda eğitim örneğinde değerlendirilir. Model seçimi, model ağırlıklarını en iyi doğrulama seti performansına sahip çağa ayarlamak için test veri seti değerlendirmesinden önce gerçekleştirilir. Test verimi optimize edilmedi: veri kümesi toplu boyutu, GPU bellek kullanımını en üst düzeye çıkarmak için ayarlanmayan varsayılan eğitim hiperparametresi toplu boyutuna ayarlandı; rapor edilen test verimi, veri kümesi önceden önbelleğe alınmadığından veri yükleme süresini içerir; ve birden çok GPU'da dağıtılmış çıkarım kullanılmaz. Bu nedenlerden dolayı, bu aktarım hızı iyi bir göreli ölçümdür, ancak gerçek aktarım hızı büyük ölçüde eğitimli model için çıkarım uç nokta dağıtım yapılandırmalarınıza bağlı olacaktır.
JumpStart model merkezi birçok görüntü sınıflandırma mimarisi türü içermesine rağmen, bu pareto sınırına seçkin Swin, EfficientNet ve MobileNet modelleri hakimdir. Swin modelleri daha büyük ve nispeten daha doğruyken, MobileNet modelleri daha küçük, nispeten daha az doğru ve mobil cihazların kaynak kısıtlamaları için uygundur. Bu sınırın, kullanılan kesin veri seti ve seçilen hiperparametrelerin ince ayarı dahil olmak üzere çeşitli faktörlere bağlı olduğuna dikkat etmek önemlidir. Özel veri kümenizin farklı bir pareto verimli çözümler kümesi ürettiğini görebilir ve daha fazla veri artırma veya modelin en üst sınıflandırma katmanından daha fazla ince ayar yapma gibi farklı hiperparametrelerle daha uzun eğitim süreleri isteyebilirsiniz.
Sonuç
Bu yazıda, JumpStart model merkezini kullanarak büyük ölçekli model seçimi veya kıyaslama görevlerinin nasıl yürütüleceğini gösterdik. Bu çözüm, ihtiyaçlarınız için en iyi modeli seçmenize yardımcı olabilir. Bunu denemenizi ve keşfetmenizi öneririz çözüm kendi veri kümenizde.
Referanslar
Daha fazla bilgi aşağıdaki kaynaklarda mevcuttur:
yazarlar hakkında
Doktor Kyle Ulrich Uygulamalı Bilim Adamıdır Amazon SageMaker yerleşik algoritmaları takım. Araştırma ilgi alanları arasında ölçeklenebilir makine öğrenimi algoritmaları, bilgisayar görüşü, zaman serileri, Bayes parametrik olmayanları ve Gauss süreçleri yer alır. Doktorası Duke Üniversitesi'ndendir ve NeurIPS, Cell ve Neuron'da yayınlanmış makaleleri vardır.
Ashish Khetan Kıdemli Uygulamalı Bilim Adamıdır Amazon SageMaker yerleşik algoritmaları ve makine öğrenimi algoritmalarının geliştirilmesine yardımcı olur. Doktorasını University of Illinois Urbana Champaign'den aldı. Makine öğrenimi ve istatistiksel çıkarım konularında aktif bir araştırmacıdır ve NeurIPS, ICML, ICLR, JMLR, ACL ve EMNLP konferanslarında birçok makale yayınlamıştır.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/image-classification-model-selection-using-amazon-sagemaker-jumpstart/
- 10
- 100
- 9
- a
- Hakkımızda
- erişim
- ulaşılabilir
- Hesap
- doğruluk
- doğru
- Başarmak
- karşısında
- aktif
- ilave
- adres
- adresleri
- Düzeltilmiş
- Bağlı
- karşı
- algoritma
- algoritmalar
- Türkiye
- zaten
- Rağmen
- her zaman
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Hızlı Başlangıç
- analiz
- ve
- Başka
- api
- Uygulama
- uygulamalı
- uygun olarak
- mimari
- ALAN
- tartışma
- ilişkili
- iliştirmek
- Denemeler
- Otomatik
- mevcut
- ortalama
- AWS
- merkezli
- Bayes
- Çünkü
- önce
- olmak
- İYİ
- Büyük
- yerleşik
- iş
- aramalar
- aday
- durumlarda
- kategoriler
- zor
- karakteristik
- Klinik
- sınıf
- sınıflandırma
- sınıflandırmak
- müşteri
- kombine
- ortak
- karşılaştırma
- tamamlamak
- Tamamlandı
- tamamlama
- karmaşıklık
- bilgisayar
- Bilgisayar görüşü
- Endişeler
- konferanslar
- yapılandırma
- bağlı
- Bağlantılar
- hususlar
- kısıtlamaları
- içeren
- devam etmek
- kontrol
- kontroller
- kolaylık
- uyan
- kapak
- yaratmak
- akım
- eğri
- görenek
- veri
- veri kümeleri
- derin
- Varsayılan
- bağlıdır
- dağıtmak
- dağıtma
- açılma
- derinlik
- tarif edilen
- tanım
- ayrıntılar
- geliştirmek
- Cihaz
- farklı
- tartışmak
- dağıtıldı
- çeşitli
- Değil
- Dük
- Duke Üniversitesi
- sırasında
- her
- Daha erken
- Erken
- kolay
- verimli
- ya
- gidermek
- etkinleştirmek
- teşvik etmek
- teşvik
- son uca
- Son nokta
- çevre
- çağ
- devirler
- hata
- Eter (ETH)
- değerlendirmek
- değerlendirilir
- değerlendirme
- örnek
- örnekler
- Dışında
- keşfetmek
- Keşfetmek
- ifade
- çıkarmak
- çıkarma
- faktörler
- adil
- iyilik
- Özellikler(Hazırlık aşamasında)
- Özellikler
- Alanlar
- şekil
- Nihayet
- bulmak
- Ad
- uydurma
- takip etme
- Eski
- itibaren
- Sınır
- Sınır
- tamamen
- fonksiyonlar
- gelecek
- Vadeli
- oluşturmak
- almak
- verilmiş
- Küresel
- Tercih Etmenizin
- GPU
- GPU'lar
- harika
- büyük
- Yeşil
- olur
- ağır şekilde
- yardım et
- yardımcı olur
- üst düzey
- Yüksek kaliteli
- daha yüksek
- Ne kadar
- Nasıl Yapılır
- HTML
- HTTPS
- merkez
- Yüzlerce
- Hiperparametre Ayarı
- İclr
- Illinois
- görüntü
- Görüntü sınıflandırması
- IMAGEnet
- görüntüleri
- uygulamak
- uygulama
- uygulanan
- önem
- önemli
- iyileşme
- geliştirme
- in
- dahil
- içerir
- Dahil olmak üzere
- Artırmak
- Artışlar
- artan
- göstergeler
- bilgi
- giriş
- örnek
- faiz
- ilgi alanları
- arayüzey
- iç
- gerçek
- tanıtmak
- IT
- İş
- Mesleki Öğretiler
- json
- anahtar
- anahtarlar
- etiket
- Etiketler
- büyük
- büyük ölçekli
- büyük
- Gecikme
- başlattı
- fırlatma
- tabaka
- katmanları
- önemli
- ÖĞRENİN
- öğrenme
- kaldırma
- ışık
- LİMİT
- sınırları
- Liste
- Listeler
- yükleme
- Uzun
- uzun
- kayıp
- makine
- makine öğrenme
- Yapımı
- çok
- Maksimuma çıkarmak
- anlamlı
- ölçümler
- Bellek
- metrik
- Metrikleri
- ML
- Telefon
- mobil cihazlar
- model
- modelleri
- modül
- Daha
- çoklu
- isim
- isimleri
- gerekli
- gerekli
- ihtiyaçlar
- ağlar
- sinirsel
- NörIPS
- yeni
- defter
- numara
- Nvidia
- nesne
- nesneler
- gözlemek
- elde etmek
- elde
- ONE
- işletme
- Operasyon
- optimize
- özetlenen
- kendi
- kâğıtlar
- parametre
- parametreler
- belirli
- Sabır
- yapmak
- performans
- gerçekleştirir
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- noktaları
- Popüler
- mümkün
- Çivi
- potansiyel
- pr
- önlemek
- Önceki
- Sorun
- sorunlar
- süreç
- Süreçler
- sağlamak
- sağlanan
- sağlar
- sağlama
- yayınlanan
- Python
- soru
- Sorular
- hızla
- RAM
- oran
- oranlar
- Gerçek dünya
- nedenleri
- azaltarak
- düzenli
- Nispeten
- Kaldır
- Bildirilen
- temsil etmek
- temsil
- temsil
- talep
- gereklidir
- Yer Alan Kurallar
- gerektirir
- araştırma
- araştırmacı
- çözüm
- kaynak
- Kaynaklar
- yanıt
- Sonuçlar
- koşmak
- koşu
- sagemaker
- aynı
- ölçeklenebilir
- bilim adamı
- scriptler
- sdk
- Ara
- Bölüm
- seçilmiş
- seçme
- seçim
- kıdemli
- Dizi
- hizmet
- Oturum
- set
- Setleri
- ayar
- birkaç
- Shape
- meli
- Gösteriler
- benzer şekilde
- basitleştirmek
- eşzamanlı
- tek
- ALTINCI
- beden
- boyutları
- küçük
- daha küçük
- So
- çözüm
- Çözümler
- ÇÖZMEK
- şartname
- özellikler
- Belirtilen
- standart
- başladı
- istatistiksel
- adım
- durdu
- durdurma
- saklı
- Ders çalışma
- sonraki
- esasen
- böyle
- yeterli
- uygun
- tablo
- Hedeflenen
- Görev
- görevleri
- takım
- tensorflow
- test
- The
- ve bazı Asya
- böylece
- üç
- verim
- zaman
- Zaman serisi
- zamanlar
- için
- bugün
- birlikte
- araçlar
- üst
- üst 5
- Toplam
- Tren
- eğitilmiş
- Eğitim
- transfer
- transformatörler
- gerçek
- türleri
- eninde sonunda
- altında
- benzersiz
- üniversite
- kullanım
- kullanım
- kullanmak
- kullanılan
- onaylama
- Değerler
- çeşitlilik
- Geniş
- üzerinden
- Görüntüle
- vizyonumuz
- hangi
- süre
- geniş
- irade
- içinde
- olmadan
- olur
- yazı yazıyor
- zefirnet