Teadlased jätkavad uute mudeliarhitektuuride väljatöötamist tavaliste masinõppe (ML) ülesannete jaoks. Üheks selliseks ülesandeks on kujutiste klassifitseerimine, kus kujutised võetakse vastu sisendina ja mudel püüab liigitada pilti kui tervikut objektisildi väljunditega. Kuna tänapäeval on saadaval palju mudeleid, mis seda kujutiste klassifitseerimisülesannet täidavad, võib ML-praktik esitada selliseid küsimusi nagu: "Millist mudelit peaksin viimistlema ja seejärel kasutusele võtma, et saavutada oma andmestiku parimat jõudlust?" Ja ML-i uurija võib esitada selliseid küsimusi nagu: "Kuidas saan luua oma õiglase võrdluse mitme mudeli arhitektuurist konkreetse andmekogumiga, kontrollides samal ajal treenimise hüperparameetreid ja arvuti spetsifikatsioone, nagu GPU-d, protsessorid ja RAM?" Esimene küsimus käsitleb mudelite valikut mudeliarhitektuuride lõikes, samas kui teine küsimus käsitleb koolitatud mudelite võrdlemist testandmetega.
Selles postituses näete, kuidas TensorFlow kujutise klassifikatsioon algoritmi Amazon SageMaker JumpStart võib nende küsimuste lahendamiseks vajalikke rakendusi lihtsustada. Koos rakendamise üksikasjad vastavas näide Jupyteri märkmik, on teil saadaval tööriistad mudelivaliku tegemiseks, uurides pareto piire, kus ühe toimivusmõõdiku (nt täpsuse) parandamine ei ole võimalik ilma teise mõõdiku (nt läbilaskevõime) halvenemiseta.
Lahenduse ülevaade
Järgmine joonis illustreerib mudelivaliku kompromissi suure hulga kujutiste klassifitseerimismudelite jaoks, mis on peenhäälestatud Caltech-256 andmestik, mis on väljakutseid pakkuv 30,607 256 reaalse maailma pildi kogum, mis hõlmab XNUMX objektikategooriat. Iga punkt esindab ühte mudelit, punktide suurused on skaleeritud vastavalt mudelit sisaldavate parameetrite arvule ja punktid on värvikoodiga nende mudeli arhitektuuri alusel. Näiteks helerohelised punktid esindavad EfficientNeti arhitektuuri; iga heleroheline punkt on selle arhitektuuri erinev konfiguratsioon koos ainulaadsete peenhäälestatud mudeli jõudlusmõõtmistega. Joonisel on kujutatud mudelivaliku pareto piiri olemasolu, kus suurem täpsus vahetatakse väiksema läbilaskevõime vastu. Lõppkokkuvõttes sõltub pareto piiril oleva mudeli või pareto tõhusate lahenduste komplekti valik teie mudeli juurutamise jõudlusnõuetest.
Kui jälgite testimise täpsust ja huvipakkuvaid läbilaskevõime piire, on eelmisel joonisel näidatud paretoefektiivsete lahenduste komplekt järgmises tabelis. Read on sorteeritud nii, et testi läbilaskevõime suureneb ja testi täpsus väheneb.
Mudeli nimi | Parameetrite arv | Testi täpsus | Test Top 5 täpsust | Läbilaskevõime (pilti/s) | Kestus ajastu(te) kohta |
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 |
Efektiivne net-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 |
See postitus sisaldab üksikasju selle kohta, kuidas rakendada suuremahulist Amazon SageMaker benchmarking ja mudelivaliku ülesanded. Esiteks tutvustame JumpStarti ja sisseehitatud TensorFlow kujutiste klassifitseerimise algoritme. Seejärel arutame kõrgetasemelisi juurutamiskaalutlusi, nagu JumpStart hüperparameetrite konfiguratsioonid, meetrika ekstraheerimine Amazon CloudWatchi logidja asünkroonsete hüperparameetrite häälestustööde käivitamine. Lõpuks käsitleme eelmises tabelis ja joonisel rakenduskeskkonda ja parameetrite määramist, mis viivad pareto tõhusate lahendusteni.
JumpStart TensorFlow piltide klassifitseerimise tutvustus
JumpStart pakub ühe klõpsuga peenhäälestamist ja paljude eelkoolitatud mudelite juurutamist populaarsete ML-ülesannete jaoks, samuti valikut täislahendusi, mis lahendavad levinud äriprobleeme. Need funktsioonid eemaldavad ML-protsessi iga etapi raskused, muutes kvaliteetsete mudelite väljatöötamise lihtsamaks ja vähendades kasutuselevõtuks kuluvat aega. The KiirStardi API-d võimaldab teil programmiliselt juurutada ja viimistleda suurt valikut eelkoolitatud mudeleid oma andmekogumites.
JumpStart mudelikeskus pakub juurdepääsu suurele hulgale TensorFlow kujutiste klassifitseerimise mudelid mis võimaldavad kohandatud andmekogumite õppimist ja peenhäälestamist. Selle kirjutamise seisuga sisaldab JumpStart mudelijaotur 135 TensorFlow kujutise klassifikatsiooni mudelit erinevates populaarsetes mudeliarhitektuurides alates TensorFlow jaotur, et hõlmata jääkvõrke (ResNet), MobileNet, EfficientNet, Teke, närviarhitektuuri otsinguvõrgud (NASNet), suur ülekanne (BiT), nihutatud aken (Siga) trafod, pilditrafode klassitähelepanu (CaiT) ja andmetõhusad pilditransformaatorid (DeiT).
Iga mudeli arhitektuuri moodustavad tohutult erinevad sisestruktuurid. Näiteks kasutavad ResNeti mudelid vahelejätmise ühendusi, et võimaldada oluliselt sügavamaid võrke, samas kui trafopõhised mudelid kasutavad enesetähelepanu mehhanisme, mis kõrvaldavad konvolutsioonioperatsioonide olemusliku lokaliseerimise globaalsemate vastuvõtlike väljade kasuks. Lisaks erinevatele funktsioonide komplektidele, mida need erinevad struktuurid pakuvad, on igal mudeliarhitektuuril mitu konfiguratsiooni, mis kohandavad selle arhitektuuri raames mudeli suurust, kuju ja keerukust. Selle tulemusena on JumpStart mudelikeskuses saadaval sadu unikaalseid kujutiste klassifitseerimismudeleid. Koos sisseehitatud ülekande õppimise ja järeldusskriptidega, mis hõlmavad paljusid SageMakeri funktsioone, on JumpStart API suurepärane lähtepunkt ML-i praktikutele, et alustada koolitamist ja mudelite kiiret juurutamist.
Viitama TensorFlow kujutiste klassifitseerimismudelite õppimise ülekandmine Amazon SageMakeris ja järgmised näidismärkmik SageMaker TensorFlow kujutiste klassifitseerimise kohta põhjalikumalt tutvumiseks, sealhulgas eelkoolitatud mudeli põhjal järelduste tegemiseks ja kohandatud andmekogumil eelkoolitatud mudeli peenhäälestamiseks.
Suuremahuliste mudelite valiku kaalutlused
Mudelivalik on protsess, mille käigus valitakse kandidaatmudelite hulgast välja parim mudel. Seda protsessi saab rakendada sama tüüpi erinevate parameetrite kaaluga mudelite ja erinevat tüüpi mudelite puhul. Mudelivaliku näited sama tüüpi mudelite vahel hõlmavad sama mudeli sobitamist erinevate hüperparameetritega (näiteks õppimiskiirus) ja varajast peatamist, et vältida mudelite kaalude ülepaigutamist rongi andmekogumisse. Mudelite valik eri tüüpi mudelite vahel hõlmab parima mudeliarhitektuuri (nt Swin vs. MobileNet) valimist ja parimate mudelikonfiguratsioonide valimist ühe mudeli arhitektuuri raames (näiteks mobilenet-v1-025-128
vs mobilenet-v3-large-100-224
).
Selles jaotises kirjeldatud kaalutlused võimaldavad kõiki neid mudelivaliku protsesse valideerimisandmestikul.
Valige hüperparameetrite konfiguratsioonid
TensorFlow kujutiste klassifikatsioonil JumpStartis on saadaval suur hulk hüperparameetrid mis suudab kohandada ülekande õppimisskripti käitumist kõigi mudeliarhitektuuride jaoks ühtlaselt. Need hüperparameetrid on seotud andmete suurendamise ja eeltöötlemise, optimeerija spetsifikatsiooni, ülepaigutamise juhtelementide ja treenitavate kihtide indikaatoritega. Soovitame teil kohandada nende hüperparameetrite vaikeväärtusi vastavalt teie rakendusele:
Selle analüüsi ja sellega seotud märkmiku jaoks on kõik hüperparameetrid seatud vaikeväärtustele, välja arvatud õppimiskiirus, epohhide arv ja varajase peatamise spetsifikatsioon. Õppimise kiirust korrigeeritakse kui a kategooriline parameeter poolt SageMaker automaatne mudeli häälestamine töö. Kuna igal mudelil on ainulaadsed hüperparameetrite vaikeväärtused, sisaldab võimalike õppimiskiiruste diskreetne loend nii vaikeõppekiirust kui ka viiendikku vaikeõppekiirusest. See käivitab kaks treeningtööd ühe hüperparameetri häälestustöö jaoks ja valitakse koolitustöö, mille toimivus on valideerimisandmestikul parim. Kuna epohhide arv on seatud 10-le, mis on suurem kui hüperparameetri vaikesäte, ei vasta valitud parim treeningtöö alati vaikeõppekiirusele. Lõpuks kasutatakse varajase peatamise kriteeriumi kannatlikkusega või kolme epohhi ajaga treenimise jätkamiseks ilma paranemiseta.
Üks eriti oluline hüperparameetri vaikesäte on train_only_on_top_layer
, kus, kui see on määratud True
, pole mudeli funktsioonide ekstraktimise kihte pakutavas koolitusandmestikus peenhäälestatud. Optimeerija treenib ainult ülemises täielikult ühendatud klassifikatsioonikihis olevaid parameetreid, mille väljundi mõõtmed on võrdsed andmestiku klassisiltide arvuga. Vaikimisi on see hüperparameeter seatud väärtusele True
, mis on väikestes andmekogumites õppimise ülekandmiseks mõeldud seade. Teil võib olla kohandatud andmestik, mille puhul ImageNeti andmestiku eelkoolitusest funktsioonide eraldamisest ei piisa. Sellistel juhtudel peaksite määrama train_only_on_top_layer
et False
. Kuigi see säte pikendab treeninguaega, eraldate huvipakkuva probleemi jaoks sisukamaid funktsioone, suurendades seeläbi täpsust.
Väljavõte mõõdikud CloudWatchi logidest
JumpStart TensorFlow kujutiste klassifitseerimisalgoritm logib treeningu ajal usaldusväärselt mitmesuguseid mõõdikuid, mis on SageMakerile kättesaadavad Estimator
ja HyperparameterTuner objektid. SageMakeri ehitaja Estimator
on metric_definitions
märksõna argument, mida saab kasutada koolitustöö hindamiseks, esitades kahe võtmega sõnastike loendi: mõõdiku nime nimi ja Regex
regulaaravaldise jaoks, mida kasutatakse mõõdiku väljavõtmiseks logidest. Kaasnev märkmik näitab rakendamise üksikasju. Järgmises tabelis on loetletud kõigi JumpStart TensorFlow kujutiste klassifitseerimismudelite jaoks saadaolevad mõõdikud ja nendega seotud regulaaravaldised.
Mõõdiku nimi | Regular Expression |
parameetrite arv | "- Parameetrite arv: ([0-9\.]+)" |
treenitavate parameetrite arv | "- Treenitavate parameetrite arv: ([0-9\.]+)" |
mittetreenitavate parameetrite arv | "- Mittetreenitavate parameetrite arv: ([0-9\.]+)" |
rongi andmestiku mõõdik | f"- {metric}: ([0-9\.]+)" |
valideerimise andmestiku mõõdik | f"- val_{metric}: ([0-9\.]+)" |
test andmestiku mõõdik | f” – test {metric}: ([0-9\.]+)” |
rongi kestus | "- Treeningu kogukestus: ([0-9\.]+)" |
rongi kestus epohhi kohta | "- Keskmine treeningu kestus epohhi kohta: ([0-9\.]+)" |
testi hindamise latentsus | "- Testi hindamise latentsus: ([0-9\.]+)" |
testi latentsusaeg proovi kohta | "- Keskmine testi latentsus proovi kohta: ([0-9\.]+)" |
testi läbilaskevõime | "- Keskmine testi läbilaskevõime: ([0-9\.]+)" |
Sisseehitatud edastusõppeskript pakub nende definitsioonide raames mitmesuguseid rongi-, valideerimis- ja testiandmestiku mõõdikuid, mida esindavad f-stringi asendusväärtused. Täpsed saadaolevad mõõdikud varieeruvad olenevalt teostatava liigituse tüübist. Kõigil koostatud mudelitel on a loss
meetrika, mida esindab ristentroopia kadu kas binaarse või kategoorilise klassifikatsiooniprobleemi korral. Esimest kasutatakse siis, kui on olemas üks klassi silt; viimast kasutatakse juhul, kui klassisilte on kaks või enam. Kui on ainult üks klassi silt, arvutatakse, logitakse ja ekstraheeritakse f-stringi regulaaravaldiste kaudu eelmises tabelis järgmised mõõdikud: tõeliste positiivsete arv (true_pos
), valepositiivsete tulemuste arv (false_pos
), tegelike negatiivsete arv (true_neg
), valenegatiivsete arv (false_neg
), precision
, recall
, vastuvõtja töökarakteristiku (ROC) kõvera alune pindala (auc
) ja täppis-meelekutsumise (PR) kõvera alune pindala (prc
). Samamoodi, kui klassisilte on kuus või enam, on 5 parima täpsusmõõdik (top_5_accuracy
) saab ka arvutada, logida ja eraldada eelnevate regulaaravaldiste kaudu.
Treeningu ajal SageMakerile määratud mõõdikud Estimator
väljastatakse CloudWatchi logidesse. Kui koolitus on lõppenud, saate käivitada SageMaker DescribeTrainingJob API ja kontrollige FinalMetricDataList
sisestage JSON-vastus:
See API nõuab päringule ainult töö nime esitamist, nii et pärast lõpetamist saab mõõdikuid hankida tulevastes analüüsides seni, kuni koolitustöö nimi on asjakohaselt logitud ja taastatav. Selle mudeli valimise ülesande jaoks salvestatakse hüperparameetrite häälestamise töönimed ja järgnevad analüüsid kinnitavad uuesti a HyperparameterTuner
objektile, millele on antud häälestustöö nimi, eraldage lisatud hüperparameetrite tuunerist parim koolitustöö nimi ja seejärel käivitage DescribeTrainingJob
API, nagu varem kirjeldatud, et saada parima koolitustööga seotud mõõdikud.
Käivitage asünkroonsed hüperparameetrite häälestustööd
Vaadake vastavat märkmik juurutamise üksikasjade jaoks hüperparameetrite häälestustööde asünkroonse käivitamise kohta, mis kasutab Pythoni standardteegi samaaegsed futuurid moodul, kõrgetasemeline liides helistatavate failide asünkroonseks käitamiseks. Selles lahenduses on rakendatud mitmeid SageMakeriga seotud kaalutlusi:
- Iga AWS-i konto on seotud SageMakeri teenusekvoodid. Ressursside täielikuks kasutamiseks peaksite vaatama oma praeguseid limiite ja vajadusel taotlema ressursilimiidi suurendamist.
- Sagedased API-kõned paljude samaaegsete hüperparameetrite häälestustööde loomiseks võivad ületada Pythoni SDK määra ja teha piiravaid erandeid. Selle lahenduseks on luua SageMaker Boto3 klient kohandatud uuesti proovimise konfiguratsiooniga.
- Mis juhtub, kui teie skriptis ilmneb tõrge või skript peatatakse enne valmimist? Sellise suure mudelivaliku või võrdlusuuringu jaoks saate logida häälestustööde nimesid ja pakkuda mugavusfunktsioone ühendage uuesti hüperparameetrite häälestustööd mis on juba olemas:
Analüüsi üksikasjad ja arutelu
Selles postituses olev analüüs teostab ülekandeõpet mudeli ID-d Caltech-256 andmestiku JumpStart TensorFlow kujutiste klassifitseerimisalgoritmis. Kõik koolitustööd viidi läbi SageMakeri koolituseksemplaris ml.g4dn.xlarge, mis sisaldab ühte NVIDIA T4 GPU-d.
Testiandmestikku hinnatakse koolituseksemplaril koolituse lõpus. Mudeli valik tehakse enne testandmestiku hindamist, et määrata mudelite kaalud epohhile, millel on parim valideerimiskomplekti jõudlus. Testi läbilaskevõimet ei optimeerita: andmekomplekti partii suurus on seatud treeningu hüperparameetrite vaikekomplekti suurusele, mida ei kohandata GPU mälukasutuse maksimeerimiseks; teatatud testi läbilaskevõime sisaldab andmete laadimisaega, kuna andmestik ei ole eelvahemällu salvestatud; ja mitme GPU vahel hajutatud järeldusi ei kasutata. Nendel põhjustel on see läbilaskevõime hea suhteline mõõt, kuid tegelik läbilaskevõime sõltuks suuresti teie koolitatud mudeli järeldus-otspunkti juurutamise konfiguratsioonidest.
Kuigi JumpStart mudeli jaotur sisaldab palju kujutiste klassifikatsiooni arhitektuuritüüpe, domineerivad sellel pareto piiril valitud Swini, EfficientNeti ja MobileNeti mudelid. Swini mudelid on suuremad ja suhteliselt täpsemad, samas kui MobileNeti mudelid on väiksemad, suhteliselt vähem täpsed ja sobivad mobiilseadmete ressursipiirangutega. Oluline on märkida, et see piir sõltub paljudest teguritest, sealhulgas täpsest kasutatavast andmekogumist ja valitud hüperparameetritest. Võite avastada, et teie kohandatud andmestik loob teistsuguse pareto-tõhusate lahenduste komplekti ja võite soovida pikemaid treeningaegu erinevate hüperparameetritega, näiteks rohkem andmete suurendamist või peenhäälestamist, mitte ainult mudeli ülemist klassifikatsioonikihti.
Järeldus
Selles postituses näitasime, kuidas käivitada suuremahulisi mudelivaliku või võrdlusuuringu ülesandeid, kasutades JumpStart mudelikeskust. See lahendus aitab teil valida teie vajadustele parima mudeli. Soovitame teil seda proovida ja uurida lahendus teie enda andmestikul.
viited
Lisateavet leiate järgmistest ressurssidest:
Autoritest
Dr Kyle Ulrich on rakendusteadlane Amazon SageMakeri sisseehitatud algoritmid meeskond. Tema uurimishuvide hulka kuuluvad skaleeritavad masinõppe algoritmid, arvutinägemine, aegridad, Bayesi mitteparameetrid ja Gaussi protsessid. Tema doktorikraad on pärit Duke'i ülikoolist ja ta on avaldanud töid NeurIPSis, Cell ja Neuron.
Dr Ashish Khetan on vanemrakendusteadlane Amazon SageMakeri sisseehitatud algoritmid ja aitab välja töötada masinõppe algoritme. Ta sai doktorikraadi Illinoisi ülikoolist Urbana Champaign. Ta on aktiivne masinõppe ja statistiliste järelduste uurija ning avaldanud palju artikleid NeurIPS-i, ICML-i, ICLR-i, JMLR-i, ACL-i ja EMNLP-konverentsidel.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/image-classification-model-selection-using-amazon-sagemaker-jumpstart/
- 10
- 100
- 7
- 9
- a
- MEIST
- juurdepääs
- juurdepääsetav
- konto
- täpsus
- täpne
- Saavutada
- üle
- aktiivne
- lisamine
- aadress
- aadressid
- Kohandatud
- Liitunud
- vastu
- algoritm
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- juba
- Kuigi
- alati
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- analüüsid
- analüüs
- ja
- Teine
- API
- taotlus
- rakendatud
- asjakohaselt
- arhitektuur
- PIIRKOND
- argument
- seotud
- kinnitage
- Katsed
- Automaatne
- saadaval
- keskmine
- AWS
- põhineb
- Bayesi
- sest
- enne
- on
- võrdlusuuringud
- BEST
- Suur
- sisseehitatud
- äri
- Kutsub
- kandidaat
- juhtudel
- kategooriad
- raske
- iseloomulik
- Vali
- klass
- klassifikatsioon
- Klassifitseerige
- klient
- kombineeritud
- ühine
- võrdlus
- täitma
- Lõpetatud
- lõpetamist
- keerukus
- arvuti
- Arvuti visioon
- Murettekitav
- konverentsid
- konfiguratsioon
- seotud
- Side
- kaalutlused
- piiranguid
- sisaldab
- jätkama
- kontroll
- kontrolli
- mugavus
- Vastav
- cover
- looma
- Praegune
- kõver
- tava
- andmed
- andmekogumid
- sügavam
- vaikimisi
- sõltub
- juurutada
- juurutamine
- kasutuselevõtu
- sügavus
- kirjeldatud
- kirjeldus
- detailid
- arendama
- seadmed
- erinev
- arutama
- jagatud
- mitu
- Ei tee
- Hertsog
- hertsogi ülikool
- ajal
- iga
- Ajalugu
- Varajane
- lihtsam
- tõhus
- kumbki
- kõrvaldama
- võimaldama
- julgustama
- julgustada
- Lõpuks-lõpuni
- Lõpp-punkt
- keskkond
- epohh
- ajajärgud
- viga
- hindama
- hinnatud
- hindamine
- näide
- näited
- Välja arvatud
- uurima
- Avastades
- väljendeid
- väljavõte
- tegurid
- õiglane
- soodustama
- tunnusjoon
- FUNKTSIOONID
- Valdkonnad
- Joonis
- Lõpuks
- leidma
- esimene
- paigaldamine
- Järel
- endine
- Alates
- Piir
- Frontiers
- täielikult
- funktsioonid
- tulevik
- Futuurid
- tekitama
- saama
- antud
- Globaalne
- hea
- GPU
- GPU
- suur
- suurem
- Green
- juhtub
- tugevalt
- aitama
- aitab
- kõrgetasemeline
- kvaliteetne
- rohkem
- Kuidas
- Kuidas
- HTML
- HTTPS
- Keskus
- sajad
- Hüperparameetrite häälestamine
- Illinois
- pilt
- Piltide klassifikatsioon
- pildid
- rakendada
- täitmine
- rakendatud
- tähtsus
- oluline
- paranemine
- Paranemist
- in
- sisaldama
- hõlmab
- Kaasa arvatud
- Suurendama
- Tõstab
- kasvav
- näitajad
- info
- sisend
- Näiteks
- huvi
- el
- Interface
- sisemine
- sisemine
- kehtestama
- IT
- töö
- Tööturg
- Json
- Võti
- võtmed
- silt
- Labels
- suur
- suuremahuline
- suurem
- Hilinemine
- käivitab
- käivitamine
- kiht
- kihid
- juhtivate
- Õppida
- õppimine
- tõstmine
- valgus
- LIMIT
- piirid
- nimekiri
- Nimekirjad
- laadimine
- Pikk
- enam
- kaotus
- masin
- masinõpe
- Tegemine
- palju
- Maksimeerima
- tähendusrikas
- mõõdud
- Mälu
- meetriline
- Meetrika
- ML
- mobiilne
- mobiilseadmete
- mudel
- mudelid
- moodulid
- rohkem
- mitmekordne
- nimi
- nimed
- vajalik
- vajadustele
- võrgustikud
- Uus
- märkmik
- number
- Nvidia
- objekt
- esemeid
- jälgima
- saama
- saadud
- ONE
- tegutsevad
- Operations
- optimeeritud
- välja toodud
- enda
- dokumendid
- parameeter
- parameetrid
- eriline
- Kannatlikkus
- täitma
- jõudlus
- täidab
- Platon
- Platoni andmete intelligentsus
- PlatoData
- Punkt
- võrra
- populaarne
- võimalik
- post
- potentsiaalselt
- pr
- vältida
- Eelnev
- Probleem
- probleeme
- protsess
- Protsessid
- anda
- tingimusel
- annab
- pakkudes
- avaldatud
- Python
- küsimus
- Küsimused
- kiiresti
- RAM
- määr
- Rates
- päris maailm
- põhjustel
- vähendamine
- regulaarne
- suhteliselt
- kõrvaldama
- Teatatud
- esindama
- esindatud
- esindab
- taotleda
- nõutav
- Nõuded
- Vajab
- teadustöö
- uurija
- resolutsioon
- ressurss
- Vahendid
- vastus
- Tulemused
- jooks
- jooksmine
- salveitegija
- sama
- skaalautuvia
- teadlane
- skripte
- SDK
- Otsing
- Osa
- väljavalitud
- valides
- valik
- vanem
- Seeria
- teenus
- istung
- komplekt
- Komplektid
- kehtestamine
- mitu
- kuju
- peaks
- Näitused
- Samamoodi
- lihtsustama
- ühekordne
- SIX
- SUURUS
- suurused
- väike
- väiksem
- So
- lahendus
- Lahendused
- LAHENDAGE
- täpsustus
- spetsifikatsioonid
- määratletud
- standard
- alustatud
- statistiline
- Samm
- peatatud
- peatumine
- ladustatud
- Uuring
- järgnev
- selline
- piisav
- sobiv
- tabel
- suunatud
- Ülesanne
- ülesanded
- meeskond
- tensorivool
- test
- .
- oma
- sellega
- kolm
- läbilaskevõime
- aeg
- Ajaseeria
- korda
- et
- täna
- kokku
- töövahendid
- ülemine
- top 5
- Summa
- Rong
- koolitatud
- koolitus
- üle
- trafod
- tõsi
- liigid
- lõpuks
- all
- ainulaadne
- Ülikool
- Kasutus
- kasutama
- ära kasutama
- kasutatud
- kinnitamine
- Väärtused
- sort
- suur
- kaudu
- vaade
- nägemus
- mis
- kuigi
- kogu
- lai
- will
- jooksul
- ilma
- oleks
- kirjutamine
- sa
- Sinu
- sephyrnet