החוקרים ממשיכים לפתח ארכיטקטורות מודלים חדשות עבור משימות נפוצות של למידת מכונה (ML). משימה אחת כזו היא סיווג תמונה, כאשר תמונות מתקבלות כקלט והמודל מנסה לסווג את התמונה כמכלול עם פלטי תוויות אובייקט. עם דגמים רבים הזמינים כיום המבצעים את משימת סיווג התמונות הזו, מתרגל ML עשוי לשאול שאלות כמו: "איזה מודל עליי לכוונן ולאחר מכן לפרוס כדי להשיג את הביצועים הטובים ביותר במערך הנתונים שלי?" וחוקר ML עשוי לשאול שאלות כמו: "כיצד אני יכול ליצור השוואה הוגנת משלי של ארכיטקטורות מודלים מרובות מול מערך נתונים מוגדר תוך שליטה על היפרפרמטרים של אימון ומפרטי מחשב, כגון GPUs, CPUs ו-RAM?" השאלה הראשונה מתייחסת לבחירת מודלים בין ארכיטקטורות מודלים, בעוד שהשאלה השנייה נוגעת להשוואת מודלים מאומנים מול מערך נתונים מבחן.
בפוסט הזה תראו איך סיווג תמונה של TensorFlow אלגוריתם של אמזון SageMaker JumpStart יכול לפשט את ההטמעות הנדרשות כדי לטפל בשאלות אלו. יחד עם פרטי היישום בהתאמה מחברת Jupyter לדוגמה, יהיו לך כלים זמינים לביצוע בחירת מודל על ידי בחינת גבולות פארטו, שבהם שיפור מדד ביצועים אחד, כגון דיוק, אינו אפשרי מבלי להחמיר מדד אחר, כגון תפוקה.
סקירת פתרונות
האיור הבא ממחיש את הפשרה של בחירת הדגם עבור מספר רב של דגמי סיווג תמונות המכוונים עדין על קלטק-256 מערך נתונים מאתגר של 30,607 תמונות בעולם האמיתי המשתרעות על פני 256 קטגוריות אובייקטים. כל נקודה מייצגת מודל בודד, גדלי הנקודות מותאמים ביחס למספר הפרמטרים המרכיבים את המודל, והנקודות מקודדות בצבע על סמך ארכיטקטורת המודל שלהן. לדוגמה, הנקודות הירוקות הבהירות מייצגות את ארכיטקטורת EfficientNet; כל נקודה ירוקה בהירה היא תצורה שונה של ארכיטקטורה זו עם מדידות ביצועי מודל מכווננות ייחודיות. האיור מראה את קיומו של גבול פארטו לבחירת דגם, כאשר דיוק גבוה יותר מוחלף בתפוקה נמוכה יותר. בסופו של דבר, הבחירה של מודל לאורך גבול הפארטו, או מערך הפתרונות היעילים בפארטו, תלויה בדרישות הביצועים של פריסת המודל שלך.
אם אתה מתבונן בדיוק הבדיקה ובודק גבולות תפוקה בעלי עניין, קבוצת הפתרונות היעילים בפארטו באיור הקודם נשלפת בטבלה הבאה. השורות ממוינות כך שתפוקת הבדיקה עולה ודיוק הבדיקה פוחת.
שם דגם | מספר פרמטרים | בדיקת דיוק | בדוק את דיוק 5 המובילים | תפוקה (תמונות/ים) | משך לתקופות |
swin-large-patch4-window12-384 | 195.6 מ"ר | 96.4% | 99.5% | 0.3 | 2278.6 |
swin-large-patch4-window7-224 | 195.4 מ"ר | 96.1% | 99.5% | 1.1 | 698.0 |
efficientnet-v2-imagenet21k-ft1k-l | 118.1 מ"ר | 95.1% | 99.2% | 4.5 | 1434.7 |
efficientnet-v2-imagenet21k-ft1k-m | 53.5 מ"ר | 94.8% | 99.1% | 8.0 | 769.1 |
efficientnet-v2-imagenet21k-m | 53.5 מ"ר | 93.1% | 98.5% | 8.0 | 765.1 |
efficientnet-b5 | 29.0 מ"ר | 90.8% | 98.1% | 9.1 | 668.6 |
efficientnet-v2-imagenet21k-ft1k-b1 | 7.3 מ"ר | 89.7% | 97.3% | 14.6 | 54.3 |
efficientnet-v2-imagenet21k-ft1k-b0 | 6.2 מ"ר | 89.0% | 97.0% | 20.5 | 38.3 |
efficientnet-v2-imagenet21k-b0 | 6.2 מ"ר | 87.0% | 95.6% | 21.5 | 38.2 |
mobilenet-v3-large-100-224 | 4.6 מ"ר | 84.9% | 95.4% | 27.4 | 28.8 |
mobilenet-v3-large-075-224 | 3.1 מ"ר | 83.3% | 95.2% | 30.3 | 26.6 |
mobilenet-v2-100-192 | 2.6 מ"ר | 80.8% | 93.5% | 33.5 | 23.9 |
mobilenet-v2-100-160 | 2.6 מ"ר | 80.2% | 93.2% | 40.0 | 19.6 |
mobilenet-v2-075-160 | 1.7 מ"ר | 78.2% | 92.8% | 41.8 | 19.3 |
mobilenet-v2-075-128 | 1.7 מ"ר | 76.1% | 91.1% | 44.3 | 18.3 |
mobilenet-v1-075-160 | 2.0 מ"ר | 75.7% | 91.0% | 44.5 | 18.2 |
mobilenet-v1-100-128 | 3.5 מ"ר | 75.1% | 90.7% | 47.4 | 17.4 |
mobilenet-v1-075-128 | 2.0 מ"ר | 73.2% | 90.0% | 48.9 | 16.8 |
mobilenet-v2-075-96 | 1.7 מ"ר | 71.9% | 88.5% | 49.4 | 16.6 |
mobilenet-v2-035-96 | 0.7 מ"ר | 63.7% | 83.1% | 50.4 | 16.3 |
mobilenet-v1-025-128 | 0.3 מ"ר | 59.0% | 80.7% | 50.8 | 16.2 |
פוסט זה מספק פרטים כיצד ליישם בקנה מידה גדול אמזון SageMaker משימות בנצ'מרק ובחירת דגמים. ראשית, אנו מציגים את JumpStart ואת אלגוריתמי סיווג התמונות המובנים של TensorFlow. לאחר מכן נדון בשיקולי הטמעה ברמה גבוהה, כגון תצורות היפרפרמטרים של JumpStart, חילוץ מדדים מ- יומני CloudWatch של אמזון, והשקת עבודות כוונון היפרפרמטרים אסינכרוניים. לבסוף, אנו מכסים את סביבת היישום והפרמטריזציה המובילה לפתרונות היעילים פארטו בטבלה ובאיור הקודמים.
מבוא לסיווג תמונות JumpStart TensorFlow
JumpStart מספקת כוונון ופריסה בלחיצה אחת של מגוון רחב של מודלים שהוכשרו מראש במשימות ML פופולריות, כמו גם מבחר פתרונות מקצה לקצה הפותרים בעיות עסקיות נפוצות. תכונות אלו מסירות את ההרמה הכבדה מכל שלב בתהליך ה-ML, מה שמקל על פיתוח מודלים באיכות גבוהה ומצמצם את זמן הפריסה. ה ממשקי API של JumpStart מאפשרים לך לפרוס ולכוונן באופן פרוגרמטי מבחר עצום של מודלים מאומנים מראש על מערכי הנתונים שלך.
מרכז המודל JumpStart מספק גישה למספר רב של דגמי סיווג תמונה של TensorFlow המאפשרות העברה למידה וכוונון עדין על מערכי נתונים מותאמים אישית. נכון לכתיבת שורות אלה, מרכז המודלים של JumpStart מכיל 135 דגמי סיווג תמונה של TensorFlow על פני מגוון ארכיטקטורות מודלים פופולריות מ- TensorFlow Hub, כדי לכלול רשתות שיוריות (ResNet), נייד, EfficientNet, ההקמה, רשתות חיפוש של ארכיטקטורה עצבית (NASNet), העברה גדולה (BiT), חלון הוסט (סווין) שנאים, תשומת לב כיתתית בשנאי תמונה (CaiT), ו-Data-Efficient Image Transformers (דייט).
מבנים פנימיים שונים בתכלית מהווים כל ארכיטקטורת מודל. לדוגמה, מודלים של ResNet משתמשים בחיבורי דילוג כדי לאפשר רשתות עמוקות יותר באופן משמעותי, בעוד שמודלים מבוססי שנאים משתמשים במנגנוני תשומת לב עצמית שמבטלים את המקומיות הפנימית של פעולות קונבולציה לטובת שדות קליטה גלובליים יותר. בנוסף לערכות התכונות המגוונות שהמבנים השונים הללו מספקים, לכל ארכיטקטורת דגם יש מספר תצורות המתאימות את גודל הדגם, הצורה והמורכבות בתוך אותה ארכיטקטורה. התוצאה היא מאות דגמי סיווג תמונות ייחודיים הזמינים במרכז המודלים של JumpStart. בשילוב עם לימוד העברה מובנה ותסריטי מסקנות המקיפים תכונות רבות של SageMaker, ה-API של JumpStart הוא נקודת השקה מצוינת עבור מתרגלי ML להתחיל בהדרכה ופריסה מהירה של מודלים.
עיין העברת למידה עבור דגמי סיווג תמונות של TensorFlow באמזון SageMaker והדברים הבאים מחברת דוגמה כדי ללמוד על סיווג תמונות SageMaker TensorFlow בצורה מעמיקה יותר, כולל כיצד להפעיל הסקה על מודל מאומן מראש וכן לכוונן את המודל המאומן מראש על מערך נתונים מותאם אישית.
שיקולי בחירת דגמים בקנה מידה גדול
בחירת מודל היא תהליך בחירת הדגם הטוב ביותר מתוך קבוצה של מודלים מועמדים. תהליך זה עשוי להיות מיושם על פני מודלים מאותו סוג עם משקלי פרמטרים שונים ועל פני מודלים מסוגים שונים. דוגמאות לבחירת מודל בין דגמים מאותו סוג כוללות התאמת אותו דגם עם היפרפרמטרים שונים (לדוגמה, קצב למידה) ועצירה מוקדמת כדי למנוע התאמה יתר של משקלות המודל למערך הנתונים של הרכבת. בחירת דגמים בין דגמים מסוגים שונים כוללת בחירת ארכיטקטורת המודל הטובה ביותר (לדוגמה, Swin לעומת MobileNet) ובחירת תצורות המודל הטובות ביותר בתוך ארכיטקטורת מודל יחיד (לדוגמה, mobilenet-v1-025-128
לעומת mobilenet-v3-large-100-224
).
השיקולים המפורטים בסעיף זה מאפשרים את כל תהליכי בחירת המודלים הללו במערך אימות.
בחר תצורות היפרפרמטר
סיווג התמונות של TensorFlow ב-JumpStart כולל מספר רב של תמונות זמינות יתר פרמטרים שיכול להתאים את התנהגויות הסקריפט למידת העברה באופן אחיד עבור כל ארכיטקטורות המודל. היפרפרמטרים אלה מתייחסים להגדלת נתונים ועיבוד מקדים, מפרט אופטימיזציה, בקרות התאמת יתר ומחווני שכבה הניתנים לאימון. מומלץ להתאים את ערכי ברירת המחדל של ההיפרפרמטרים האלה לפי הצורך עבור היישום שלך:
עבור ניתוח זה והמחברת הקשורה, כל הפרמטרים ההיפר מוגדרים לערכי ברירת מחדל למעט קצב למידה, מספר תקופות ומפרט עצירה מוקדמת. קצב הלמידה מותאם כמו א פרמטר קטגורי על ידי כוונון הדגם האוטומטי של SageMaker עבודה. מכיוון שלכל מודל יש ערכי היפרפרמטר ייחודיים של ברירת מחדל, הרשימה הבדידה של קצבי למידה אפשריים כוללת את קצב הלמידה המוגדר כברירת מחדל וכן חמישית משיעור הלמידה המוגדר כברירת מחדל. פעולה זו משיקה שתי עבודות הדרכה לעבודת כוונון היפרפרמטר בודדת, ונבחרה עבודת ההדרכה עם הביצועים המדווחים הטובים ביותר במערך האימות. מכיוון שמספר העידנים מוגדר ל-10, שהוא גדול יותר מהגדרת ההיפרפרמטר המוגדרת כברירת מחדל, עבודת ההדרכה הטובה ביותר שנבחרה לא תמיד תואמת את קצב הלמידה המוגדר כברירת מחדל. לבסוף, קריטריון עצירה מוקדמת מנוצל עם סבלנות, או מספר העידנים להמשך אימונים ללא שיפור, של שלושה עידנים.
הגדרת היפרפרמטר אחת בעלת חשיבות מיוחדת היא train_only_on_top_layer
, איפה, אם מוגדר ל True
, שכבות חילוץ התכונות של המודל אינן מכוונות במערך ההדרכה המסופק. האופטימיזר יאמן פרמטרים רק בשכבת הסיווג העליונה המחוברת במלואה עם מימד פלט שווה למספר תוויות המחלקות במערך הנתונים. כברירת מחדל, היפרפרמטר זה מוגדר ל True
, שהיא הגדרה המיועדת ללמידה בהעברה על מערכי נתונים קטנים. ייתכן שיש לך מערך נתונים מותאם אישית שבו חילוץ התכונות מהאימון המקדים במערך הנתונים של ImageNet אינו מספיק. במקרים אלה, עליך להגדיר train_only_on_top_layer
ל False
. למרות שהגדרה זו תגדיל את זמן האימון, תוכל לחלץ תכונות משמעותיות יותר לבעיית העניין שלך, ובכך להגדיל את הדיוק.
חלץ מדדים מיומני CloudWatch
אלגוריתם סיווג התמונות JumpStart TensorFlow רושם באופן אמין מגוון מדדים במהלך האימון הנגישים ל-SageMaker Estimator
ואובייקטים HyperparameterTuner. הקונסטרוקטור של SageMaker Estimator
יש metric_definitions
ארגומנט מילת מפתח, שניתן להשתמש בו כדי להעריך את עבודת ההדרכה על ידי מתן רשימה של מילונים עם שני מפתחות: שם לשם המדד, ו Regex
עבור הביטוי הרגולרי המשמש לחילוץ המדד מהיומנים. המלווה מחברה מציג את פרטי היישום. הטבלה הבאה מפרטת את המדדים הזמינים והביטויים הרגולריים המשויכים לכל דגמי סיווג התמונות של JumpStart TensorFlow.
שם מטרי | ביטוי רגיל |
מספר פרמטרים | "- מספר פרמטרים: ([0-9\.]+)" |
מספר פרמטרים הניתנים לאימון | "- מספר הפרמטרים הניתנים לאימון: ([0-9\.]+)" |
מספר פרמטרים שאינם ניתנים לאימון | "- מספר פרמטרים שאינם ניתנים לאימון: ([0-9\.]+)" |
מדד הנתונים של הרכבת | f"- {metric}: ([0-9\.]+)" |
מדד מערך אימות | f"- val_{metric}: ([0-9\.]+)" |
מדד מערך הנתונים לבדיקה | f"- Test {metric}: ([0-9\.]+)" |
משך הרכבת | "- משך האימון הכולל: ([0-9\.]+)" |
משך הרכבת לעידן | "- משך אימון ממוצע לעידן: ([0-9\.]+)" |
זמן חביון הערכת בדיקה | "- זמן אחזור של הערכת בדיקה: ([0-9\.]+)" |
זמן השהייה לבדיקה לכל דגימה | "- זמן אחזור ממוצע לבדיקה לכל דגימה: ([0-9\.]+)" |
תפוקת בדיקה | "- תפוקת בדיקה ממוצעת: ([0-9\.]+)" |
סקריפט לימוד ההעברה המובנה מספק מגוון מדדי נתונים של הדרכה, אימות ובדיקה בתוך הגדרות אלה, כפי שמיוצגים על ידי ערכי החלפת מחרוזת f. המדדים המדויקים הזמינים משתנים בהתאם לסוג הסיווג המתבצע. לכל הדגמים המלוקטים יש א loss
מדד, אשר מיוצג על ידי אובדן צולב אנטרופיה עבור בעיית סיווג בינארי או קטגורי. הראשון משמש כאשר יש תווית מחלקה אחת; האחרון משמש אם יש שתי תוויות מחלקות או יותר. אם יש רק תווית מחלקה בודדת, המדדים הבאים מחושבים, מתועדים וניתנים לחילוץ באמצעות הביטויים הרגולריים של מחרוזת f בטבלה הקודמת: מספר חיוביות אמיתיות (true_pos
), מספר תוצאות חיוביות שגויות (false_pos
), מספר השליליים האמיתיים (true_neg
), מספר שליליות שגויות (false_neg
), precision
, recall
, אזור מתחת לעקומת מאפיין הפעולה של המקלט (ROC) (auc
), ושטח מתחת לעקומת הדיוק-ריקול (PR) (prc
). באופן דומה, אם יש שש תוויות כיתה או יותר, מדד דיוק מוביל (top_5_accuracy
) הוא גם מחושב, מתועד וניתן לחילוץ באמצעות הביטויים הרגולריים הקודמים.
במהלך האימון, מדדים צוינו ל- SageMaker Estimator
נפלטים ליומני CloudWatch. בסיום ההכשרה, תוכל להפעיל את SageMaker DescribeTrainingJob API ולבדוק את FinalMetricDataList
מקש את תגובת JSON:
ממשק API זה דורש רק את שם העבודה שיסופק לשאילתה, כך שלאחר השלמתו, ניתן לקבל מדדים בניתוחים עתידיים כל עוד שם עבודת ההדרכה נרשם כראוי וניתן לשחזר אותו. עבור משימת בחירת דגם זו, שמות משרות כוונון היפרפרמטרים מאוחסנים וניתוחים עוקבים מחברים מחדש HyperparameterTuner
אובייקט שניתן לשם עבודת הכוונון, חלץ את שם עבודת האימון הטוב ביותר ממכוון ההיפרפרמטר המצורף, ולאחר מכן הפעל את DescribeTrainingJob
API כפי שתואר קודם כדי להשיג מדדים הקשורים לעבודת ההדרכה הטובה ביותר.
הפעל עבודות כוונון היפרפרמטר אסינכרוני
עיין במקביל מחברה לפרטי יישום על השקה אסינכרונית של משימות כוונון היפרפרמטרים, המשתמשת בספריית הסטנדרטית של Python עתידים מקבילים מודול, ממשק ברמה גבוהה להפעלה אסינכרונית של שיחות ניתנות להתקשרות. מספר שיקולים הקשורים ל-SageMaker מיושמים בפתרון זה:
- כל חשבון AWS מזוהה עם מכסות שירות של SageMaker. עליך לראות את המגבלות הנוכחיות שלך כדי לנצל באופן מלא את המשאבים שלך ולבקש העלאת מגבלת המשאבים לפי הצורך.
- קריאות API תכופות ליצירת עבודות כוונון היפרפרמטרים רבות בו זמנית עשויות לחרוג מקצב Python SDK ולזרוק חריגות מצערת. הפתרון לכך הוא יצירת לקוח SageMaker Boto3 עם תצורת ניסיון חוזר מותאם אישית.
- מה קורה אם הסקריפט שלך נתקל בשגיאה או שהסקריפט נעצר לפני השלמתו? עבור מבחר דגמים גדול כל כך או מחקר מידוד, אתה יכול לרשום שמות משרות כוונון ולספק פונקציות נוחות צרף מחדש עבודות כוונון היפרפרמטרים שכבר קיים:
פרטי ניתוח ודיון
הניתוח בפוסט זה מבצע למידת העברה עבור מזהי דגם באלגוריתם סיווג התמונות של JumpStart TensorFlow על מערך הנתונים של Caltech-256. כל עבודות ההדרכה בוצעו על מופע האימון של SageMaker ml.g4dn.xlarge, המכיל NVIDIA T4 GPU יחיד.
מערך הבדיקה מוערך על מופע האימון בסוף האימון. בחירת המודל מתבצעת לפני הערכת מערך הבדיקה כדי להגדיר את משקלי המודל לעידן עם ביצועי ערכת האימות הטובים ביותר. תפוקת הבדיקה אינה מותאמת: גודל אצווה של מערך הנתונים מוגדר לגודל אצווה היפרפרמטר אימון המוגדר כברירת מחדל, שאינו מותאם כדי למקסם את השימוש בזיכרון GPU; תפוקת בדיקה מדווחת כוללת זמן טעינת נתונים מכיוון שמערך הנתונים אינו שמור מראש; ולא נעשה שימוש בהסקה מבוזרת על פני מספר GPUs. מסיבות אלה, תפוקה זו היא מדידה יחסית טובה, אך התפוקה בפועל תהיה תלויה במידה רבה בתצורות פריסת נקודת הקצה שלך עבור המודל המאומן.
למרות שמרכז המודלים של JumpStart מכיל סוגי ארכיטקטורת סיווג תמונות רבים, גבול פארטו זה נשלט על ידי דגמי Swin, EfficientNet ו-MobileNet נבחרים. דגמי Swin גדולים יותר ומדויקים יותר יחסית, בעוד שדגמי MobileNet הם קטנים יותר, יחסית פחות מדויקים ומתאימים לאילוצי משאבים של מכשירים ניידים. חשוב לציין שגבול זה מותנה במגוון גורמים, כולל מערך הנתונים המדויק בו נעשה שימוש והפרמטרים המכוונים העדין שנבחרו. ייתכן שתגלה שמערך הנתונים המותאם אישית שלך מייצר קבוצה שונה של פתרונות יעילים בפארטו, וייתכן שתרצה זמני אימון ארוכים יותר עם היפרפרמטרים שונים, כגון הגדלת נתונים יותר או כוונון עדין יותר מאשר רק את שכבת הסיווג העליונה של המודל.
סיכום
בפוסט זה, הראינו כיצד להפעיל משימות בחירת מודלים או מידוד בקנה מידה גדול באמצעות רכזת המודל JumpStart. פתרון זה יכול לעזור לך לבחור את הדגם הטוב ביותר עבור הצרכים שלך. אנו ממליצים לך לנסות ולחקור את זה פִּתָרוֹן במערך הנתונים שלך.
הפניות
מידע נוסף זמין במשאבים הבאים:
על המחברים
ד"ר קייל אולריך הוא מדען יישומי עם אלגוריתמים מובנים של Amazon SageMaker קְבוּצָה. תחומי המחקר שלו כוללים אלגוריתמים של למידת מכונה ניתנים להרחבה, ראייה ממוחשבת, סדרות זמן, אי-פרמטריות בייסיאניות ותהליכי גאוס. הדוקטורט שלו הוא מאוניברסיטת דיוק והוא פרסם מאמרים ב-NeurIPS, Cell, and Neuron.
ד"ר אשיש חתן הוא מדען יישומי בכיר עם אלגוריתמים מובנים של Amazon SageMaker ומסייע בפיתוח אלגוריתמים של למידת מכונה. הוא קיבל את הדוקטורט שלו מאוניברסיטת אילינוי אורבנה שמפיין. הוא חוקר פעיל בלמידת מכונה והסקה סטטיסטית ופרסם מאמרים רבים בכנסים NeurIPS, ICML, ICLR, JMLR, ACL ו-EMNLP.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/image-classification-model-selection-using-amazon-sagemaker-jumpstart/
- 10
- 100
- 7
- 9
- a
- אודות
- גישה
- נגיש
- חֶשְׁבּוֹן
- דיוק
- מדויק
- להשיג
- לרוחב
- פעיל
- תוספת
- כתובת
- כתובות
- מותאם
- כלולה
- נגד
- אַלגוֹרִיתְם
- אלגוריתמים
- תעשיות
- כְּבָר
- למרות
- תמיד
- אמזון בעברית
- אמזון SageMaker
- אמזון SageMaker JumpStart
- מנתח
- אנליזה
- ו
- אחר
- API
- בקשה
- יישומית
- כראוי
- ארכיטקטורה
- AREA
- טענה
- המשויך
- לצרף
- ניסיונות
- מכני עם סלילה אוטומטית
- זמין
- מְמוּצָע
- AWS
- מבוסס
- בייסיאנית
- כי
- לפני
- להיות
- בהשוואות
- הטוב ביותר
- גָדוֹל
- מובנה
- עסקים
- שיחות
- מועמד
- מקרים
- קטגוריות
- אתגר
- מאפיין
- בחרו
- בכיתה
- מיון
- לסווג
- לקוחות
- משולב
- Common
- השוואה
- להשלים
- השלמת
- השלמה
- מורכבות
- המחשב
- ראייה ממוחשבת
- דאגות
- כנסים
- תְצוּרָה
- מחובר
- חיבורי
- שיקולים
- אילוצים
- מכיל
- להמשיך
- שליטה
- בקרות
- נוחות
- תוֹאֵם
- לכסות
- לִיצוֹר
- נוֹכְחִי
- זונה
- מנהג
- נתונים
- מערכי נתונים
- עמוק יותר
- בְּרִירַת מֶחדָל
- תלוי
- לפרוס
- פריסה
- פריסה
- עומק
- מְתוּאָר
- תיאור
- פרטים
- לפתח
- התקנים
- אחר
- לדון
- מופץ
- שונה
- לא
- דוכס
- אוניברסיטת דוכס
- בְּמַהֲלָך
- כל אחד
- מוקדם יותר
- מוקדם
- קל יותר
- יעיל
- או
- בוטל
- לאפשר
- לעודד
- עודד
- מקצה לקצה
- נקודת קצה
- סביבה
- תקופה
- תקופות
- שגיאה
- להעריך
- העריך
- הערכה
- דוגמה
- דוגמאות
- אלא
- לחקור
- היכרות
- ביטויים
- תמצית
- גורמים
- הוגן
- טובה
- מאפיין
- תכונות
- שדות
- תרשים
- בסופו של דבר
- ראשון
- הוֹלֵם
- הבא
- לשעבר
- החל מ-
- גבול
- Frontiers
- לגמרי
- פונקציות
- עתיד
- עתידים
- ליצור
- לקבל
- נתן
- גלוֹבָּלִי
- טוב
- GPU
- GPUs
- גדול
- יותר
- ירוק
- קורה
- בִּכְבֵדוּת
- לעזור
- עוזר
- ברמה גבוהה
- באיכות גבוהה
- גבוה יותר
- איך
- איך
- HTML
- HTTPS
- טבור
- מאות
- כוונון היפר-פרמטר
- אילינוי
- תמונה
- סיווג תמונות
- תמונות
- ליישם
- הפעלה
- יושם
- חשיבות
- חשוב
- השבחה
- שיפור
- in
- לכלול
- כולל
- כולל
- להגדיל
- עליות
- גדל
- אינדיקטורים
- מידע
- קלט
- למשל
- אינטרס
- אינטרסים
- מִמְשָׁק
- פנימי
- מהותי
- מבוא
- IT
- עבודה
- מקומות תעסוקה
- ג'סון
- מפתח
- מפתחות
- תווית
- תוויות
- גָדוֹל
- בקנה מידה גדול
- גדול יותר
- חֶבִיוֹן
- השקות
- השקה
- שכבה
- שכבות
- מוביל
- לִלמוֹד
- למידה
- רמה
- אוֹר
- להגביל
- גבולות
- רשימה
- רשימות
- טוען
- ארוך
- עוד
- את
- מכונה
- למידת מכונה
- עשייה
- רב
- לְהַגדִיל
- משמעותי
- מידות
- זכרון
- מטרי
- מדדים
- ML
- סלולרי
- מכשירים ניידים
- מודל
- מודלים
- מודול
- יותר
- מספר
- שם
- שמות
- הכרחי
- צרכי
- רשתות
- חדש
- מחברה
- מספר
- Nvidia
- אובייקט
- אובייקטים
- להתבונן
- להשיג
- מושג
- ONE
- פועל
- תפעול
- אופטימיזציה
- המתואר
- שֶׁלוֹ
- ניירות
- פרמטר
- פרמטרים
- מסוים
- סבלנות
- לְבַצֵעַ
- ביצועים
- מבצע
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- נקודות
- פופולרי
- אפשרי
- הודעה
- פוטנציאל
- pr
- למנוע
- קודם
- בעיה
- בעיות
- תהליך
- תהליכים
- לספק
- ובלבד
- מספק
- מתן
- לאור
- פיתון
- שאלה
- שאלות
- מהירות
- RAM
- ציון
- תעריפים
- עולם אמיתי
- סיבות
- הפחתה
- רגיל
- יחסית
- להסיר
- דווח
- לייצג
- מיוצג
- מייצג
- לבקש
- נדרש
- דרישות
- דורש
- מחקר
- חוקר
- החלטה
- משאב
- משאבים
- תגובה
- תוצאות
- הפעלה
- ריצה
- בעל חכמים
- אותו
- להרחבה
- מַדְעָן
- סקריפטים
- Sdk
- חיפוש
- סעיף
- נבחר
- בחירה
- מבחר
- לחצני מצוקה לפנסיונרים
- סדרה
- שרות
- מושב
- סט
- סטים
- הצבה
- כמה
- צוּרָה
- צריך
- הופעות
- באופן דומה
- לפשט
- יחיד
- שישה
- מידה
- גדל
- קטן
- קטן יותר
- So
- פִּתָרוֹן
- פתרונות
- לפתור
- מפרט
- מפרטים
- מפורט
- תֶקֶן
- החל
- סטטיסטי
- שלב
- נעצר
- סְתִימָה
- מאוחסן
- לימוד
- לאחר מכן
- כזה
- מספיק
- מַתְאִים
- שולחן
- ממוקד
- המשימות
- משימות
- נבחרת
- tensorflow
- מבחן
- השמיים
- שֶׁלָהֶם
- בכך
- שְׁלוֹשָׁה
- תפוקה
- זמן
- סדרת זמן
- פִּי
- ל
- היום
- יַחַד
- כלים
- חלק עליון
- 5 העליון
- סה"כ
- רכבת
- מְאוּמָן
- הדרכה
- להעביר
- רוֹבּוֹטרִיקִים
- נָכוֹן
- סוגים
- בסופו של דבר
- תחת
- ייחודי
- אוניברסיטה
- נוֹהָג
- להשתמש
- לנצל
- מנוצל
- אימות
- ערכים
- מגוון
- Vast
- באמצעות
- לצפיה
- חזון
- אשר
- בזמן
- כל
- רָחָב
- יצטרך
- בתוך
- לְלֹא
- היה
- כתיבה
- אתה
- זפירנט