Czym jest głębokie uczenie?
Nastawiona na eksperymenty usługa głębokiego uczenia IBM dostępna w rozwiązaniu Watson Studio pozwala analitykom danych na wizualne projektowanie sieci neuronowych oraz skalowanie przebiegów treningowych. Dzięki automatycznej alokacji klient płaci tylko za wykorzystane zasoby. Optymalizacja pod kątem środowisk produkcyjnych umożliwia skalowanie treningów przy użyciu procesorów graficznych NVIDIA® Tesla® V100 w preferowanym środowisku uczenia głębokiego, a następnie łatwe ich wdrażanie w chmurze lub na brzegu sieci.
Cechy głębokiego uczenia
Asystent eksperymentów
Uruchamiaj i monitoruj serie eksperymentów treningowych, a następnie porównuj wyniki modeli w czasie rzeczywistym, nie martwiąc się o przenoszenie dzienników czy skrypty na potrzeby wizualizacji wyników. Ty możesz skupić się na projektowaniu sieci neuronowych. My zajmiemy się zarządzaniem i monitorowaniem Twoich zasobów.
Otwartość i elastyczność
Korzystaj ze swoich ulubionych środowisk głębokiego uczenia: Tensorflow, Keras, PyTorch, Caffe i innych. Zarządzaj eksperymentami głębokiego uczenia przy użyciu preferowanych narzędzi: interfejsu wiersza komend (CLI), biblioteki Python lub interaktywnego interfejsu użytkownika.
Elastyczne zasoby GPU
Trenuj sieci neuronowe równolegle, korzystając z najlepszych na rynku procesorów graficznych NVIDIA® Tesla® — K80, P100, i V100. Płacisz tylko za faktyczne wykorzystanie. Dzięki automatycznej alokacji nie musisz już za każdym razem pamiętać o zamykaniu instancji trenowania w chmurze. Nie jest wymagane zarządzanie klastrami ani kontenerami.
Optymalizacja hiperparametru
Zautomatyzuj wyszukiwanie obszaru hiperparametru sieci, aby uzyskać jak najlepsze działanie modelu przy jak najmniejszej liczbie przebiegów treningowych.
Modeler sieci neuronowych (wersja beta)
Projektuj sieci neuronowe w sposób wizualny. Przeciągnij i upuść warstwy swojej architektury neuronowej, a następnie skorzystaj z najbardziej popularnych środowisk głębokiego uczenia w celu jej skonfigurowania i wdrożenia.
Korzyści z głębokiego uczenia
Oszczędność czasu
...i pieniędzy. Korzystaj z preferowanego środowiska IDE i istniejących przepływów pracy. Interfejs CLI, biblioteka Python i dostęp do usług REST są równoważone przez wizualne narzędzia do debugowania. Dzięki temu możesz projektować i optymalizować sieci lepiej i szybciej.
Inteligentne rozwiązania na żądanie
Zarządzane treningi pozwolą Ci skupić się na projektowaniu optymalnych struktur sieci neuronowych. Zasoby treningowe są przechowywane do późniejszego wykorzystania. Dzięki automatycznej alokacji płacisz tylko za zasoby obliczeniowe wymagane przez konkretne zadanie.
Zaufana infrastruktura chmury
Optymalizacja pod kątem środowisk produkcyjnych przedsiębiorstwa i działania w tej samej infrastrukturze, na której znajdują się usługi kognitywne IBM Watson.
Wykresy zamiast plików dziennika
Zapomnij o dziennikach tekstowych. Nakładaj na siebie wykresy dokładności i strat w czasie rzeczywistym oraz śledź i wyświetlaj hiperparametry modelu, aby jeszcze bardziej pogłębić trening swoich sieci neuronowych.
Współpraca zespołowa
Udostępniaj eksperymenty, debuguj architektury neuronowe, uzyskuj dostęp do wspólnych danych w hostowanych składnicach obiektów i przekazuj członkom zespołu modele objęte kontrolą wersji, aby mogli przesyłać dane do ciągłego przepływu uczenia.
Graficzna prezentacja elementów produktu
Asystent eksperymentów
Porównywanie modeli
Modeler sieci neuronowych
Kursy i przypadki użycia
Użyj notatnika oraz narzędzi Keras i TensorFlow, aby stworzyć model językowy do generowania tekstu
Jak przeciwdziałać nieuczciwym działaniom takim jak nieprawdziwe recenzje produktów?Wykorzystując te same modele generujące, które je tworzą. Ten wzorzec kodu pokazuje, jak wytrenować model językowy głębokiego uczenia w notatniku przy użyciu narzędzi Keras i TensorFlow. Korzystając z danych pobranych z serwisu Yelp, dowiesz się, jak zainstalować narzędzia TensorFlow i Keras, wytrenować model językowy uczenia głębokiego i wygenerować nowe recenzje restauracji. Choć ten wzorzec kodu obejmuje swoim zakresem jedynie wprowadzenie do generowania tekstu, zapewnia również solidne podstawy nauki tworzenia modelu językowego.
