研究者は、一般的な機械学習 (ML) タスク用の新しいモデル アーキテクチャの開発を続けています。 そのようなタスクの XNUMX つが画像分類です。この場合、画像は入力として受け入れられ、モデルはオブジェクト ラベル出力を使用して画像全体を分類しようとします。 現在、この画像分類タスクを実行する多くのモデルが利用可能であるため、ML の実践者は次のような質問をすることがあります。 また、機械学習の研究者は次のような質問をするかもしれません。 前者の質問はモデル アーキテクチャ全体でのモデルの選択に関するもので、後者の質問はテスト データセットに対するトレーニング済みモデルのベンチマークに関するものです。
この投稿では、 TensorFlow 画像分類 のアルゴリズム Amazon SageMaker ジャンプスタート これらの問題に対処するために必要な実装を簡素化できます。 対応する実装の詳細とともに 例 Jupyter ノートブック、スループットなどの別のメトリックを悪化させることなく、精度などのXNUMXつのパフォーマンスメトリックを改善することはできないパレートフロンティアを探索することにより、モデル選択を実行するためのツールが利用可能になります。
ソリューションの概要
次の図は、上で微調整された多数の画像分類モデルのモデル選択のトレードオフを示しています。 カルテック-256 これは、30,607 のオブジェクト カテゴリにまたがる 256 枚の実世界の画像の挑戦的なセットです。 各ポイントは XNUMX つのモデルを表し、ポイント サイズはモデルを構成するパラメーターの数に対してスケーリングされ、ポイントはモデル アーキテクチャに基づいて色分けされます。 たとえば、薄緑色の点は EfficientNet アーキテクチャを表しています。 薄緑色の各ポイントは、このアーキテクチャの異なる構成であり、微調整された独自のモデル パフォーマンス測定値を備えています。 この図は、モデル選択にパレート フロンティアが存在することを示しています。ここでは、高い精度が低いスループットと交換されます。 最終的に、パレート フロンティアに沿ったモデルの選択、または一連のパレート効率の高いソリューションは、モデル展開のパフォーマンス要件によって異なります。
関心のあるテスト精度とテスト スループットの最前線を観察すると、前の図の一連のパレート効率的なソリューションが次の表に抽出されます。 行は、テストのスループットが増加し、テストの精度が低下するように並べ替えられます。
モデル名 | パラメータ数 | 試験精度 | 上位 5 つの精度のテスト | スループット (画像/秒) | エポックあたりの期間 |
swin-large-patch4-window12-384 | 195.6M | 視聴者の38%が | 視聴者の38%が | 0.3 | 2278.6 |
swin-large-patch4-window7-224 | 195.4M | 視聴者の38%が | 視聴者の38%が | 1.1 | 698.0 |
effectivenet-v2-imagenet21k-ft1k-l | 118.1M | 視聴者の38%が | 視聴者の38%が | 4.5 | 1434.7 |
effectivenet-v2-imagenet21k-ft1k-m | 53.5M | 視聴者の38%が | 視聴者の38%が | 8.0 | 769.1 |
effectivenet-v2-imagenet21k-m | 53.5M | 視聴者の38%が | 視聴者の38%が | 8.0 | 765.1 |
effectivenet-b5 | 29.0M | 視聴者の38%が | 視聴者の38%が | 9.1 | 668.6 |
effectivenet-v2-imagenet21k-ft1k-b1 | 7.3M | 視聴者の38%が | 視聴者の38%が | 14.6 | 54.3 |
effectivenet-v2-imagenet21k-ft1k-b0 | 6.2M | 視聴者の38%が | 視聴者の38%が | 20.5 | 38.3 |
effectivenet-v2-imagenet21k-b0 | 6.2M | 視聴者の38%が | 視聴者の38%が | 21.5 | 38.2 |
mobilenet-v3-large-100-224 | 4.6M | 視聴者の38%が | 視聴者の38%が | 27.4 | 28.8 |
mobilenet-v3-large-075-224 | 3.1M | 視聴者の38%が | 視聴者の38%が | 30.3 | 26.6 |
モバイルネットv2-100-192 | 2.6M | 視聴者の38%が | 視聴者の38%が | 33.5 | 23.9 |
モバイルネットv2-100-160 | 2.6M | 視聴者の38%が | 視聴者の38%が | 40.0 | 19.6 |
モバイルネットv2-075-160 | 1.7M | 視聴者の38%が | 視聴者の38%が | 41.8 | 19.3 |
モバイルネットv2-075-128 | 1.7M | 視聴者の38%が | 視聴者の38%が | 44.3 | 18.3 |
モバイルネットv1-075-160 | 2.0M | 視聴者の38%が | 視聴者の38%が | 44.5 | 18.2 |
モバイルネットv1-100-128 | 3.5M | 視聴者の38%が | 視聴者の38%が | 47.4 | 17.4 |
モバイルネットv1-075-128 | 2.0M | 視聴者の38%が | 視聴者の38%が | 48.9 | 16.8 |
モバイルネットv2-075-96 | 1.7M | 視聴者の38%が | 視聴者の38%が | 49.4 | 16.6 |
モバイルネットv2-035-96 | 0.7M | 視聴者の38%が | 視聴者の38%が | 50.4 | 16.3 |
モバイルネットv1-025-128 | 0.3M | 視聴者の38%が | 視聴者の38%が | 50.8 | 16.2 |
この投稿では、大規模な実装方法について詳しく説明します アマゾンセージメーカー ベンチマークとモデル選択タスク。 最初に、JumpStart と組み込みの TensorFlow 画像分類アルゴリズムを紹介します。 次に、JumpStart ハイパーパラメータの設定、 Amazon CloudWatchログ、非同期ハイパーパラメータ調整ジョブの起動。 最後に、前の表と図で、パレート効率の高いソリューションにつながる実装環境とパラメーター化について説明します。
JumpStart TensorFlow 画像分類の概要
JumpStart は、一般的な ML タスク全体でさまざまな事前トレーニング済みモデルのワンクリック微調整と展開を提供するだけでなく、一般的なビジネス問題を解決するエンド ツー エンド ソリューションの選択も提供します。 これらの機能により、ML プロセスの各ステップから重労働が取り除かれ、高品質のモデルの開発が容易になり、デプロイまでの時間が短縮されます。 の JumpStart API 独自のデータセットで事前にトレーニングされた膨大な数のモデルをプログラムで展開し、微調整することができます。
JumpStart モデル ハブは、多数のモデルへのアクセスを提供します。 TensorFlow 画像分類モデル カスタム データセットの転移学習と微調整を可能にします。 これを書いている時点で、JumpStart モデル ハブには、さまざまな一般的なモデル アーキテクチャにわたる 135 の TensorFlow 画像分類モデルが含まれています。 TensorFlowハブ、残差ネットワークを含める (レスネット), モバイルネット, EfficientNet, インセプション、ニューラル アーキテクチャ検索ネットワーク (ナスネット)、ビッグトランスファー(少し)、シフトされたウィンドウ (スウィン) トランスフォーマー、画像トランスフォーマーの Class-Attention (ケイト)、およびデータ効率の高い画像トランスフォーマー (ディート).
大きく異なる内部構造が各モデル アーキテクチャを構成しています。 たとえば、ResNet モデルはスキップ接続を利用して、大幅に深いネットワークを可能にしますが、トランスフォーマー ベースのモデルは、よりグローバルな受容フィールドを優先して畳み込み演算の固有の局所性を排除する自己注意メカニズムを使用します。 これらの異なる構造が提供する多様な機能セットに加えて、各モデル アーキテクチャには、そのアーキテクチャ内でモデルのサイズ、形状、および複雑さを調整するいくつかの構成があります。 その結果、JumpStart モデル ハブで数百の独自の画像分類モデルを利用できます。 多くの SageMaker 機能を含む組み込みの転移学習および推論スクリプトと組み合わせることで、JumpStart API は、ML 実践者がモデルのトレーニングとデプロイを迅速に開始するための優れた出発点となります。
参照する Amazon SageMaker での TensorFlow 画像分類モデルの転移学習 そして以下 サンプルノート 事前トレーニング済みモデルで推論を実行する方法や、カスタム データセットで事前トレーニング済みモデルを微調整する方法など、SageMaker TensorFlow 画像分類についてさらに詳しく学びます。
大規模モデルの選択に関する考慮事項
モデル選択は、一連の候補モデルから最適なモデルを選択するプロセスです。 このプロセスは、パラメータの重みが異なる同じタイプのモデル間、および異なるタイプのモデル間で適用できます。 同じタイプのモデル間でのモデル選択の例には、同じモデルを異なるハイパーパラメーター (学習率など) でフィッティングすることや、トレーニング データセットへのモデルの重みのオーバーフィッティングを防ぐための早期停止が含まれます。 さまざまなタイプのモデルにわたるモデルの選択には、最適なモデル アーキテクチャ (Swin と MobileNet など) の選択と、単一のモデル アーキテクチャ内での最適なモデル構成の選択 (たとえば、 mobilenet-v1-025-128
対 mobilenet-v3-large-100-224
).
このセクションで概説する考慮事項により、検証データセットでこれらすべてのモデル選択プロセスが有効になります。
ハイパーパラメータ構成の選択
JumpStart の TensorFlow 画像分類には、多数の利用可能な ハイパーパラメータ すべてのモデル アーキテクチャに対して、転移学習スクリプトの動作を一様に調整できます。 これらのハイパーパラメーターは、データの拡張と前処理、オプティマイザーの仕様、オーバーフィット コントロール、およびトレーニング可能なレイヤー インジケーターに関連しています。 アプリケーションの必要に応じて、これらのハイパーパラメータのデフォルト値を調整することをお勧めします:
この分析と関連するノートブックでは、学習率、エポック数、および早期停止の仕様を除いて、すべてのハイパーパラメーターが既定値に設定されます。 学習率は カテゴリ パラメータ を通じて、タンピングされたコーヒーベッドの上から均一にフィルターバスケットの内の粉に浸透していきます。 SageMaker自動モデル調整 仕事。 各モデルには一意の既定のハイパーパラメーター値があるため、可能な学習率の個別のリストには、既定の学習率と既定の学習率の 10 分の XNUMX が含まれます。 これにより、XNUMX つのハイパーパラメータ調整ジョブに対して XNUMX つのトレーニング ジョブが起動され、検証データセットで報告されたパフォーマンスが最も優れたトレーニング ジョブが選択されます。 エポック数が XNUMX に設定されており、これは既定のハイパーパラメーター設定よりも大きいため、選択された最適なトレーニング ジョブが常に既定の学習率に対応するとは限りません。 最後に、XNUMX エポックの忍耐、または改善なしでトレーニングを継続するためのエポック数で、早期停止基準が使用されます。
特に重要なデフォルトのハイパーパラメータ設定は次のとおりです。 train_only_on_top_layer
、ここで、に設定されている場合 True
、モデルの特徴抽出レイヤーは、提供されたトレーニング データセットで微調整されていません。 オプティマイザーは、データセット内のクラス ラベルの数に等しい出力次元を持つ、最上位の完全に接続された分類レイヤーのパラメーターのみをトレーニングします。 デフォルトでは、このハイパーパラメータは True
、これは小さなデータセットでの転移学習を対象とした設定です。 ImageNet データセットの事前トレーニングからの特徴抽出が不十分なカスタム データセットがある場合があります。 これらの場合、設定する必要があります train_only_on_top_layer
〜へ False
. この設定によりトレーニング時間は長くなりますが、関心のある問題に対してより意味のある特徴を抽出できるため、精度が向上します。
CloudWatch Logs からメトリクスを抽出する
JumpStart TensorFlow 画像分類アルゴリズムは、SageMaker がアクセスできるトレーニング中にさまざまなメトリクスを確実にログに記録します Estimator
および HyperparameterTuner オブジェクト。 SageMaker のコンストラクター Estimator
ています metric_definitions
キーワード引数。次の XNUMX つのキーを持つ辞書のリストを提供することで、トレーニング ジョブを評価するために使用できます。 Regex
ログからメトリックを抽出するために使用される正規表現。 付属の ノート 実装の詳細を示します。 次の表は、すべての JumpStart TensorFlow 画像分類モデルで使用可能なメトリックと関連する正規表現を示しています。
メトリック名 | 正規表現 |
パラメータの数 | 「- パラメータの数: ([0-9\.]+)」 |
訓練可能なパラメータの数 | 「- トレーニング可能なパラメーターの数: ([0-9\.]+)」 |
訓練不可能なパラメータの数 | 「- トレーニング不可能なパラメーターの数: ([0-9\.]+)」 |
データセット メトリックのトレーニング | f”- {メトリック}: ([0-9\.]+)” |
検証データセットの指標 | f”- val_{メトリック}: ([0-9\.]+)” |
テスト データセット メトリクス | f”- テスト {メトリック}: ([0-9\.]+)” |
列車の所要時間 | 「- 合計トレーニング時間: ([0-9\.]+)」 |
エポックごとのトレーニング期間 | 「- エポックあたりの平均トレーニング時間: ([0-9\.]+)」 |
テスト評価の待ち時間 | 「- テスト評価の待ち時間: ([0-9\.]+)」 |
サンプルあたりのテスト レイテンシ | 「- サンプルあたりの平均テスト レイテンシ: ([0-9\.]+)」 |
テスト スループット | 「- 平均テスト スループット: ([0-9\.]+)」 |
組み込みの転移学習スクリプトは、f-string 置換値で表されるように、これらの定義内でさまざまなトレーニング、検証、およびテスト データセット メトリックを提供します。 利用可能な正確なメトリックは、実行される分類のタイプによって異なります。 コンパイルされたすべてのモデルには loss
これは、バイナリ分類問題またはカテゴリ分類問題のクロス エントロピー損失によって表されます。 前者は、クラス ラベルが XNUMX つの場合に使用されます。 後者は、XNUMX つ以上のクラス ラベルがある場合に使用されます。 クラス ラベルが XNUMX つしかない場合、前の表の f-string 正規表現を使用して、次のメトリックが計算され、ログに記録され、抽出可能になります。真陽性の数 (true_pos
)、誤検知の数 (false_pos
)、真陰性の数 (true_neg
)、偽陰性の数 (false_neg
), precision
, recall
、受信者動作特性 (ROC) 曲線の下の領域 (auc
)、および適合率-再現率 (PR) 曲線の下の面積 (prc
)。 同様に、5 つ以上のクラス ラベルがある場合、上位 XNUMX つの精度メトリック (top_5_accuracy
) も計算され、ログに記録され、前述の正規表現を介して抽出可能になります。
トレーニング中に、SageMaker に指定されたメトリクス Estimator
CloudWatch Logs に出力されます。 トレーニングが完了したら、 SageMaker DescribeTrainingJob API と検査します FinalMetricDataList
JSON 応答のキー:
この API は、ジョブ名のみをクエリに提供する必要があるため、完了すると、トレーニング ジョブ名が適切にログに記録され、回復可能である限り、今後の分析でメトリックを取得できます。 このモデル選択タスクでは、ハイパーパラメータ調整ジョブ名が保存され、その後の分析で HyperparameterTuner
オブジェクトにチューニング ジョブ名を指定し、アタッチされたハイパーパラメータ チューナーから最適なトレーニング ジョブ名を抽出してから、 DescribeTrainingJob
前述の API を使用して、最適なトレーニング ジョブに関連付けられたメトリックを取得します。
非同期ハイパーパラメータ調整ジョブを起動する
対応する ノート Python 標準ライブラリの 同時先物 module は、呼び出し可能オブジェクトを非同期に実行するための高レベル インターフェイスです。 このソリューションには、SageMaker 関連のいくつかの考慮事項が実装されています。
- 各 AWS アカウントは、 SageMaker サービスクォータ. リソースを最大限に活用するには、現在の制限を確認し、必要に応じてリソース制限の引き上げをリクエストする必要があります。
- 多くの同時ハイパーパラメータ調整ジョブを作成するための頻繁な API 呼び出しは、 Python SDK レートを超えてスロットリング例外をスローする. これに対する解決策は、カスタムの再試行構成で SageMaker Boto3 クライアントを作成することです。
- スクリプトでエラーが発生した場合、またはスクリプトが完了する前に停止した場合はどうなりますか? このような大規模なモデルの選択またはベンチマーク調査の場合、チューニング ジョブ名をログに記録し、便利な関数を提供して、 ハイパーパラメータ調整ジョブを再アタッチする すでに存在するもの:
分析の詳細と議論
この投稿の分析では、転移学習を実行します。 モデル ID Caltech-256 データセットの JumpStart TensorFlow 画像分類アルゴリズムで。 すべてのトレーニング ジョブは、単一の NVIDIA T4 GPU を含む SageMaker トレーニング インスタンス ml.g4dn.xlarge で実行されました。
テスト データセットは、トレーニングの最後にトレーニング インスタンスで評価されます。 モデルの選択は、テスト データセットの評価の前に実行され、検証セットのパフォーマンスが最適なエポックにモデルの重みを設定します。 テスト スループットが最適化されていません。データセットのバッチ サイズがデフォルトのトレーニング ハイパーパラメータのバッチ サイズに設定されており、GPU メモリの使用量を最大化するように調整されていません。 データセットが事前にキャッシュされていないため、報告されたテスト スループットにはデータの読み込み時間が含まれます。 複数の GPU にまたがる分散推論は利用されません。 これらの理由から、このスループットは適切な相対的測定値ですが、実際のスループットは、トレーニング済みモデルの推論エンドポイントのデプロイ構成に大きく依存します。
JumpStart モデル ハブには多くの画像分類アーキテクチャ タイプが含まれていますが、このパレート フロンティアは、一部の Swin、EfficientNet、および MobileNet モデルによって支配されています。 Swin モデルはより大きく、比較的精度が高いのに対し、MobileNet モデルはより小さく、比較的精度が低く、モバイル デバイスのリソースの制約に適しています。 このフロンティアは、使用される正確なデータセットや選択された微調整ハイパーパラメーターなど、さまざまな要因に左右されることに注意することが重要です。 カスタム データセットが異なる一連のパレート効率的なソリューションを生成することに気付く場合があり、モデルの最上位の分類レイヤーだけでなく、より多くのデータ拡張や微調整など、さまざまなハイパーパラメーターを使用してより長いトレーニング時間を必要とする場合があります。
まとめ
この投稿では、JumpStart モデル ハブを使用して大規模なモデル選択またはベンチマーク タスクを実行する方法を示しました。 このソリューションは、ニーズに最適なモデルを選択するのに役立ちます。 これを試してみることをお勧めします 溶液 独自のデータセットで。
参考文献
詳細については、次のリソースを参照してください。
著者について
カイル・ウルリッヒ博士 応用科学者であり、 AmazonSageMakerの組み込みアルゴリズム チーム。 彼の研究対象には、スケーラブルな機械学習アルゴリズム、コンピューター ビジョン、時系列、ベイジアン ノンパラメトリック、およびガウス過程が含まれます。 彼はデューク大学で博士号を取得しており、NeurIPS、Cell、Neuron で論文を発表しています。
アシッシュ・ケタン博士 の上級応用科学者です AmazonSageMakerの組み込みアルゴリズム 機械学習アルゴリズムの開発を支援します。 イリノイ大学アーバナ シャンペーン校で博士号を取得。 彼は機械学習と統計的推論の活発な研究者であり、NeurIPS、ICML、ICLR、JMLR、ACL、および EMNLP カンファレンスで多くの論文を発表しています。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/image-classification-model-selection-using-amazon-sagemaker-jumpstart/
- 10
- 100
- 7
- 9
- a
- 私たちについて
- アクセス
- アクセス可能な
- 精度
- 正確な
- 達成する
- 越えて
- アクティブ
- 添加
- 住所
- アドレス
- 調整
- 所属している
- に対して
- アルゴリズム
- アルゴリズム
- すべて
- 既に
- しかし
- 常に
- Amazon
- アマゾンセージメーカー
- Amazon SageMaker ジャンプスタート
- 分析
- 分析
- および
- 別の
- API
- 申し込み
- 適用された
- 適切に
- 建築
- AREA
- 引数
- 関連する
- アタッチ
- 試み
- オートマチック
- 利用できます
- 平均
- AWS
- ベース
- ベイジアン
- なぜなら
- さ
- ベンチマーク
- BEST
- ビッグ
- 内蔵
- ビジネス
- コール
- 候補者
- 例
- カテゴリ
- 挑戦
- 特性
- 選択する
- class
- 分類
- 分類します
- クライアント
- 組み合わせた
- コマンドと
- 比較
- コンプリート
- 記入済みの
- 完成
- 複雑さ
- コンピュータ
- Computer Vision
- 懸念事項
- 会議
- 交流
- Connections
- 検討事項
- 制約
- 含まれています
- 続ける
- 制御
- controls
- 利便性
- 対応する
- カバー
- 作ります
- 電流プローブ
- 曲線
- カスタム
- データ
- データセット
- より深い
- デフォルト
- 依存
- 展開します
- 展開する
- 展開
- 深さ
- 記載された
- 説明
- 細部
- 開発する
- Devices
- 異なります
- 話し合います
- 配布
- 異なる
- そうではありません
- デューク
- デューク大学
- 間に
- 各
- 前
- 早い
- 容易
- 効率的な
- どちら
- 排除する
- enable
- 奨励する
- 奨励
- 端から端まで
- エンドポイント
- 環境
- 時代
- エポック
- エラー
- 評価する
- 評価
- 評価
- 例
- 例
- 除く
- 探る
- 探る
- 表現
- エキス
- 要因
- フェア
- 賛成
- 特徴
- 特徴
- フィールズ
- フィギュア
- 最後に
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- フィッティング
- フォロー中
- 前者
- から
- フロンティア
- フロンティア
- 完全に
- 機能
- 未来
- 先物
- 生成する
- 取得する
- 与えられた
- グローバル
- 良い
- GPU
- GPU
- 素晴らしい
- 大きい
- グリーン
- 起こります
- 重く
- 助けます
- ことができます
- ハイレベル
- 高品質
- より高い
- 認定条件
- How To
- HTML
- HTTPS
- ハブ
- 何百
- ハイパーパラメータ調整
- イリノイ州
- 画像
- 画像分類
- 画像
- 実装する
- 実装
- 実装
- 重要性
- 重要
- 改善
- 改善
- in
- include
- 含ま
- 含めて
- 増える
- 増加
- の増加
- インジケータ
- 情報
- 関心
- 利益
- インタフェース
- 内部
- 本質的な
- 紹介する
- IT
- ジョブ
- Jobs > Create New Job
- JSON
- キー
- キー
- ラベル
- ラベル
- 大
- 大規模
- より大きい
- レイテンシ
- 起動
- 発射
- 層
- 層
- 主要な
- LEARN
- 学習
- フェイスリフト
- 光
- LIMIT
- 制限
- リスト
- リスト
- ローディング
- 長い
- より長いです
- 損失
- 機械
- 機械学習
- 作成
- 多くの
- 最大化します
- 意味のある
- 測定結果
- メモリ
- メトリック
- メトリック
- ML
- モバイル
- モバイルデバイス
- モデル
- モジュール
- 他には?
- の試合に
- 名
- 名
- 必要
- ニーズ
- ネットワーク
- 新作
- ノート
- 数
- Nvidia
- オブジェクト
- オブジェクト
- 観察する
- 入手する
- 得
- ONE
- オペレーティング
- 業務執行統括
- 最適化
- 概説
- 自分の
- 論文
- パラメーター
- パラメータ
- 特定の
- 忍耐
- 実行する
- パフォーマンス
- 実行する
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- ポイント
- ポイント
- 人気
- 可能
- ポスト
- :
- pr
- 防ぐ
- 事前の
- 問題
- 問題
- プロセス
- ラボレーション
- 提供します
- 提供
- は、大阪で
- 提供
- 公表
- Python
- 質問
- 質問
- すぐに
- RAM
- レート
- 価格表
- 現実の世界
- 理由は
- 縮小
- レギュラー
- 相対的に
- 削除します
- 報告
- 表す
- で表さ
- 表し
- 要求
- の提出が必要です
- 要件
- 必要
- 研究
- 研究者
- 解像度
- リソースを追加する。
- リソース
- 応答
- 結果
- ラン
- ランニング
- セージメーカー
- 同じ
- ド電源のデ
- 科学者
- スクリプト
- SDDK
- を検索
- セクション
- 選択
- 選択
- 選択
- シニア
- シリーズ
- サービス
- セッション
- セッションに
- セット
- 設定
- いくつかの
- 形状
- すべき
- 作品
- 同様に
- 簡素化する
- SIX
- サイズ
- サイズ
- 小さい
- より小さい
- So
- 溶液
- ソリューション
- 解決する
- 仕様
- 仕様
- 指定の
- 標準
- 開始
- 統計的
- 手順
- 停止
- 停止
- 保存され
- 勉強
- それに続きます
- そのような
- 十分な
- 適当
- テーブル
- 対象となります
- 仕事
- タスク
- チーム
- テンソルフロー
- test
- アプリ環境に合わせて
- それによって
- 三
- スループット
- 時間
- 時系列
- <font style="vertical-align: inherit;">回数</font>
- 〜へ
- 今日
- 一緒に
- 豊富なツール群
- top
- トップ5
- トータル
- トレーニング
- 訓練された
- トレーニング
- 転送
- トランスフォーマー
- true
- 最終的に
- 下
- ユニーク
- 大学
- 使用法
- つかいます
- 活用する
- 利用された
- 価値観
- 多様
- 広大な
- 、
- 詳しく見る
- ビジョン
- which
- while
- 全体
- ワイド
- 意志
- 以内
- 無し
- でしょう
- 書き込み
- You
- あなたの
- ゼファーネット