Derin Öğrenme nedir?
IBM'in Watson Studio dahilindeki deney odaklı derin öğrenme hizmeti, veri bilimcilerin sinir ağlarını görsel olarak tasarlamasını ve eğitim çalışmalarını yatay olarak ölçeklendirmesini sağlar. Otomatik tahsis ise, yalnızca kullanılan kaynaklar için ödeme yapılması anlamına gelir. Eğitiminizi, tercih ettiğiniz derin öğrenme çerçevesiyle birlikte üretim ortamları için optimize edilmiş NVIDIA® Tesla® V100 grafik işlemcisini kullanarak dikey ölçeklendirin ve ardından bulut üzerinde veya uç noktasında kolaylıkla devreye alın.
Derin Öğrenme özellikleri
Deney Yardımcısı
Toplu eğitim deneylerini başlatın ve izleyin ve ardından, sonuçları görselleştirmek için log dosyası aktarımları ve komut dosyaları konusunda endişe duymadan, model çapındaki performansı gerçek zamanlı olarak karşılaştırın. Siz sinir ağlarınızı tasarlamaya odaklanın. Varlıklarınızı biz yöneteceğiz ve takip edeceğiz.
Açık ve esnek
Tercih ettiğiniz derin öğrenme çerçevesini kullanın: Tensorflow, Keras, PyTorch, Caffe ve daha fazlası. Derin öğrenme deneylerinizi tercih ettiğiniz araçlarla yönetin: komut satırı arabirimi (CLI), Python kitaplığı ya da interaktif bir kullanıcı arabirimi.
Esnek grafik işlemcisi bilgi işlemi
Pazar lideri NVIDIA® Tesla® grafik işlemcilerini kullanarak sinir ağlarını paralel biçimde eğitin - K80, P100 ve V100. Yalnızca kullandığınız kadar ödeme yapabilirsiniz. Otomatik tahsis, artık bulut eğitim eşgörünümlerinizi kapatmayı hatırlamanız gerekmediği anlamına geliyor. Yönetilecek küme ya da konteyner yok.
Hiper parametre optimizasyonu
En az eğitim çalışması ile en iyi model performansını elde etmek için ağınızın hiper parametre alanının aranmasını verimli bir biçimde otomatikleştirin.
Neural Network Modeler (beta)
Sinir ağlarınızı görsel olarak tasarlayın. Sinir mimarinizin katmanlarını sürükleyin ve bırakın ve ardından, en popüler derin öğrenme çerçevelerini kullanarak yapılandırın ve devreye alın.
Derin Öğrenmenin avantajları
Zamandan tasarruf edin
Yalnızca paradan değil. Tercih ettiğiniz IDE'yi ve mevcut iş akışlarını kullanın. CLI, python kitaplığı ve REST erişimi, görsel hata ayıklama araçları tarafından dengelenir. Ağlarınızı daha iyi ve daha hızlı tasarlayın ve optimize edin.
İsteğe bağlı zekâ
Yönetilen eğitim, sizin optimum sinir ağı yapılarının tasarlanmasına odaklanmanız anlamına gelir. Eğitim varlıkları sizin için depolanır. Otomatik tahsis, yalnızca işin gerektirdiği bilgi işlem kaynakları için para ödemeniz anlamına gelir.
Güvenilir bulut altyapısı
Kurumsal üretim ortamları için optimize edildi ve IBM Watson'un kendi kognitif hizmetlerini barındıran aynı altyapı üzerinde çalışıyor.
Grafikler, log dosyaları değil
Metin loglarını unutun. Doğruluk ve kayıp grafiklerini gerçek zamanlı olarak üst üste bindirin ve takip edin. Ardından, sinir ağlarınızın eğitimini daha derinlemesine incelemek için model hiper parametrelerini görüntüleyin.
Ekip iş birliği
Deneyleri paylaşın, sinir mimarilerindeki hataları ayıklayın, barındırılan nesne depoları içindeki ortak verilere erişin ve sürümlü modelleri ekibinize ileterek sürekli bir öğrenim akışına veri beslemelerine imkan tanıyın.
Ürün Olanağı Görüntüleri
Deney Yardımcısı
Modeller Arası Karşılaştırma
Neural Network Modeler
Eğitim kılavuzları ve kullanım senaryoları
Bir not defteri, Keras ve TensorFlow kullanarak metin üretme için bir dil modeli oluşturun
Ürün incelemeleri gibi sahtekârlık sorunlarını nasıl çözersiniz? Onları yaratan aynı üretim modellerini kullanarak. Bu kod kalıbı, Keras ve TensorFlow kullanan bir not defterinde bir derin öğrenme dil modelinin nasıl eğiteceğini açıklar. Yelp'ten yüklenen verileri kullanarak, TensorFlow ve Keras'ı nasıl yükleyeceğinizi, bir derin öğrenme dil modelini eğitmeyi ve yeni restoran değerlendirmelerini oluşturmayı öğreneceksiniz. Bu kod kalıbının kapsamı metin üretmenin tanıtılması ile sınırlı olsa da, bir dil modelinin nasıl oluşturulacağının öğrenilmesi için güçlü bir temel sağlar.
