Восприятие - что внутри контейнера машинного обучения
В рамках обеспечения прозрачного машинного обучения мы хотели изучить технологию, лежащую в основе ModelDepot Percept, чтобы вы могли понять ожидаемое поведение, производительность, преимущества и потенциальные недостатки нашей системы. Мы не фанаты черных ящиков, и этот продукт ничем не отличается.
Мы объединили надежный набор технологий вместе с тщательным пользовательским тестированием, чтобы убедиться, что вы получаете наилучшие впечатления от использования нашего продукта (и дайте нам знать, если это не так!). Мы уверены, что у вас будет хороший опыт, поэтому мы уверены, что выложим детали открыто, чтобы вы могли их увидеть.
Итак, давайте углубимся в технические аспекты.
Основа глубокого обучения
Сегодня рабочая лошадка машинного обучения, упакованная в каждый образ Docker, представляет собой архитектуру ResNet v1 101, обученную на наборе данных Google Open Images v2. Модель выходит из коробки с 5000 классами, что более разнообразно, чем ImageNet. Предварительно обученная природа этой модели позволяет вам быстро приступить к классификации изображений без каких-либо обучающих данных на вашей стороне. Разнообразие обучающих данных также позволяет быстро расширять модель для передачи обучения на новые классы, о которых она не знает. Мы рассмотрим используемую технику в следующем разделе.
В будущем мы надеемся предоставить множество архитектур моделей, обученных как на открытых образах, так и на ImageNet, чтобы вы могли выбирать между скоростью и классами, которые более применимы к вам из коробки. Сообщите нам, если у вас есть какие-либо предпочтения, и мы постараемся их реализовать.
Методика быстрого обучения
Конечно, одним из основных преимуществ использования ModelDepot Image Classification по сравнению с обычным облачным провайдером является возможность обучения новым классам изображений с вашими собственными наборами данных. У нас есть руководство, в котором показано, как это сделать, если вы еще не изучали эту функцию.
В настоящее время мы используем функции, извлеченные из базовой модели, и используем машину опорных векторов, чтобы найти значения достоверности для новых классов, которые вы обучили. Хотя это простой метод, он служит мощной базой и работает лучше, чем современные методы.
Со временем мы надеемся включить больше техник, которые обеспечат еще более точные результаты обучения за несколько раз. Мы надеемся также упростить точную настройку самой модели DL и, возможно, повторно обучить модель с нуля, если у вас есть достаточно большой набор данных.
Таким образом, мы надеемся, что пролили свет на некоторую магию, которая не такая уж волшебная, за нашими контейнерами машинного обучения. Вооружившись этими знаниями, вы, надеюсь, сможете провести дальнейшее исследование того, насколько хорош или плох наш продукт для вашего варианта использования, и дайте нам знать о любых отзывах о том, как мы можем сделать это лучше.
Я надеюсь, что вы узнаете, как машинное обучение может улучшить ваш продукт или пользовательский опыт, и даже лучше, если ModelDepot сможет помочь вам на этом пути.
Хотите попробовать ModelDepot Percept? Начни бесплатно здесь! Если у вас есть какие-либо вопросы, не стесняйтесь обращаться к нам через чат на сайте в правом нижнем углу или по электронной почте на [email protected].
