Raziskovalci še naprej razvijajo nove modelne arhitekture za običajne naloge strojnega učenja (ML). Ena taka naloga je klasifikacija slik, kjer so slike sprejete kot vhod in model poskuša klasificirati sliko kot celoto z izhodi oznake objekta. Ker je danes na voljo veliko modelov, ki opravljajo to nalogo razvrščanja slik, lahko izvajalec strojnega jezika zastavi vprašanja, kot je: »Kateri model naj natančno prilagodim in nato uvedem, da dosežem najboljšo zmogljivost na svojem naboru podatkov?« In raziskovalec ML lahko zastavi vprašanja, kot je: "Kako lahko ustvarim lastno pošteno primerjavo več arhitektur modela z določenim naborom podatkov, medtem ko nadzorujem hiperparametre usposabljanja in računalniške specifikacije, kot so GPE, CPE in RAM?" Prvo vprašanje obravnava izbiro modela med arhitekturami modelov, medtem ko se drugo vprašanje nanaša na primerjavo usposobljenih modelov s testnim naborom podatkov.
V tej objavi boste videli, kako Klasifikacija slik TensorFlow algoritem za Amazon SageMaker JumpStart lahko poenostavi izvedbe, potrebne za reševanje teh vprašanj. Skupaj s podrobnostmi o izvedbi v ustreznem primer zvezka Jupyter, boste imeli na voljo orodja za izvajanje izbire modela z raziskovanjem Pareto meja, kjer izboljšanje ene metrike zmogljivosti, kot je natančnost, ni mogoče brez poslabšanja druge metrike, kot je prepustnost.
Pregled rešitev
Naslednja slika ponazarja kompromis pri izbiri modela za veliko število modelov klasifikacije slik, natančno nastavljenih na Caltech-256 nabor podatkov, ki je zahteven nabor 30,607 slik iz resničnega sveta, ki zajemajo 256 kategorij predmetov. Vsaka točka predstavlja en sam model, velikosti točk so prilagojene glede na število parametrov, ki sestavljajo model, točke pa so barvno označene glede na njihovo arhitekturo modela. Na primer, svetlo zelene točke predstavljajo arhitekturo EfficientNet; vsaka svetlo zelena točka je drugačna konfiguracija te arhitekture z edinstvenimi natančno nastavljenimi meritvami zmogljivosti modela. Slika prikazuje obstoj Pareto meje za izbiro modela, kjer se višja natančnost zamenja za nižji pretok. Konec koncev je izbira modela vzdolž pareto meje ali niza pareto učinkovitih rešitev odvisna od vaših zahtev glede učinkovitosti uvajanja modela.
Če opazujete natančnost preizkusa in meje prepustnosti testa, ki vas zanimajo, je nabor Pareto učinkovitih rešitev na prejšnji sliki izluščen v naslednji tabeli. Vrstice so razvrščene tako, da prepustnost testa narašča in natančnost testa pada.
Ime modela | Število parametrov | Preizkus natančnosti | Preizkusite Top 5 natančnost | Prepustnost (slike/s) | Trajanje na obdobje(e) |
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 |
učinkovitnet-v2-imagenet21k-ft1k-l | 118.1M | 95.1% | 99.2% | 4.5 | 1434.7 |
učinkovitnet-v2-imagenet21k-ft1k-m | 53.5M | 94.8% | 99.1% | 8.0 | 769.1 |
učinkovitnet-v2-imagenet21k-m | 53.5M | 93.1% | 98.5% | 8.0 | 765.1 |
učinkovitnet-b5 | 29.0M | 90.8% | 98.1% | 9.1 | 668.6 |
učinkovitnet-v2-imagenet21k-ft1k-b1 | 7.3M | 89.7% | 97.3% | 14.6 | 54.3 |
učinkovitnet-v2-imagenet21k-ft1k-b0 | 6.2M | 89.0% | 97.0% | 20.5 | 38.3 |
učinkovitnet-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 |
Ta objava vsebuje podrobnosti o izvajanju velikega obsega Amazon SageMaker naloge primerjalne analize in izbire modela. Najprej predstavljamo JumpStart in vgrajene algoritme za klasifikacijo slik TensorFlow. Nato razpravljamo o vprašanjih implementacije na visoki ravni, kot so konfiguracije hiperparametrov JumpStart, ekstrakcija metrike iz Dnevniki Amazon CloudWatchin zagon asinhronih opravil za uravnavanje hiperparametrov. Nazadnje obravnavamo implementacijsko okolje in parametrizacijo, ki vodita do Pareto učinkovitih rešitev v prejšnji tabeli in sliki.
Uvod v klasifikacijo slik JumpStart TensorFlow
JumpStart zagotavlja fino nastavitev in uvajanje široke palete vnaprej usposobljenih modelov v priljubljenih nalogah ML z enim klikom, kot tudi izbor celovitih rešitev, ki rešujejo pogoste poslovne težave. Te funkcije odpravljajo težko delo pri vsakem koraku procesa ML, kar olajša razvoj visokokakovostnih modelov in skrajša čas do uvajanja. The API-ji JumpStart vam omogočajo, da programsko uvedete in natančno prilagodite širok izbor vnaprej usposobljenih modelov na svojih lastnih nizih podatkov.
Vozlišče modela JumpStart omogoča dostop do velikega števila Modeli klasifikacije slik TensorFlow ki omogočajo učenje prenosa in natančno prilagajanje podatkovnih nizov po meri. Od tega pisanja naprej središče modelov JumpStart vsebuje 135 modelov klasifikacije slik TensorFlow v različnih priljubljenih arhitekturah modelov od Središče TensorFlow, za vključitev preostalih omrežij (ResNet), MobileNet, EfficientNet, Inception, nevronska arhitektura iskalna omrežja (NASNet), velik prenos (BiT), premaknjeno okno (prašiči) transformatorji, Class-Attention in Image Transformers (CaiT) in podatkovno učinkoviti pretvorniki slike (DeiT).
Arhitekturo vsakega modela sestavljajo zelo različne notranje strukture. Na primer, modeli ResNet uporabljajo preskočne povezave, da omogočijo bistveno globlja omrežja, medtem ko modeli, ki temeljijo na transformatorjih, uporabljajo mehanizme samopozornosti, ki odpravljajo intrinzično lokalnost konvolucijskih operacij v korist bolj globalnih sprejemljivih polj. Poleg raznolikih naborov funkcij, ki jih ponujajo te različne strukture, ima vsaka arhitektura modela več konfiguracij, ki prilagajajo velikost, obliko in kompleksnost modela znotraj te arhitekture. Posledica tega je na stotine edinstvenih modelov za klasifikacijo slik, ki so na voljo v središču modelov JumpStart. V kombinaciji z vgrajenim prenosom učenja in skripti za sklepanje, ki zajemajo številne funkcije SageMaker, je JumpStart API odlična izhodiščna točka za strokovnjake za strojno učenje, da hitro začnejo z usposabljanjem in uvajanjem modelov.
Nanašati se na Prenos učenja za modele klasifikacije slik TensorFlow v Amazon SageMaker in naslednje primer zvezek da se podrobneje seznanite s klasifikacijo slik SageMaker TensorFlow, vključno s tem, kako zagnati sklepanje na vnaprej usposobljenem modelu in natančno prilagoditi predhodno usposobljen model na naboru podatkov po meri.
Premisleki pri izbiri modela velikega obsega
Izbira modela je postopek izbire najboljšega modela iz nabora kandidatov. Ta postopek se lahko uporablja za modele iste vrste z različnimi utežmi parametrov in za modele različnih tipov. Primeri izbire modela med modeli istega tipa vključujejo prilagajanje istega modela z različnimi hiperparametri (na primer stopnja učenja) in zgodnjo zaustavitev, da se prepreči prekomerno prilagajanje uteži modela naboru podatkov o vlaku. Izbira modela med modeli različnih vrst vključuje izbiro najboljše arhitekture modela (na primer Swin proti MobileNet) in izbiro najboljše konfiguracije modela znotraj ene same arhitekture modela (na primer mobilenet-v1-025-128
vs mobilenet-v3-large-100-224
).
Premisleki, opisani v tem razdelku, omogočajo vse te postopke izbire modela na naboru podatkov o validaciji.
Izberite konfiguracije hiperparametrov
Klasifikacija slik TensorFlow v JumpStartu ima na voljo veliko število hiperparametrov ki lahko enotno prilagodi vedenje skripta za učenje prenosa za vse modelske arhitekture. Ti hiperparametri se nanašajo na povečanje podatkov in predobdelavo, specifikacijo optimizatorja, nadzor nad prilagajanjem in kazalnike slojev, ki jih je mogoče učiti. Svetujemo vam, da prilagodite privzete vrednosti teh hiperparametrov, kot je potrebno za vašo aplikacijo:
Za to analizo in povezano beležnico so vsi hiperparametri nastavljeni na privzete vrednosti, razen za hitrost učenja, število epoh in specifikacijo zgodnje zaustavitve. Stopnja učenja je prilagojena kot a kategorični parameter z Samodejno prilagajanje modela SageMaker služba. Ker ima vsak model edinstvene privzete vrednosti hiperparametrov, diskretni seznam možnih stopenj učenja vključuje privzeto stopnjo učenja kot tudi eno petino privzete stopnje učenja. S tem se zaženeta dve učni opravili za eno samo opravilo prilagajanja hiperparametrov in izbrano je učno opravilo z najboljšo prijavljeno zmogljivostjo v naboru podatkov o validaciji. Ker je število epoh nastavljeno na 10, kar je večje od privzete nastavitve hiperparametrov, izbrano najboljše vadbeno opravilo ne ustreza vedno privzeti stopnji učenja. Nazadnje se uporablja merilo zgodnje prekinitve s potrpežljivostjo ali številom epoh za nadaljevanje treninga brez izboljšav v treh epohah.
Ena privzeta nastavitev hiperparametra, ki je posebej pomembna, je train_only_on_top_layer
, kjer, če je nastavljeno True
, sloji ekstrakcije funkcij modela niso natančno nastavljeni na posredovanem naboru podatkov za usposabljanje. Optimizator bo treniral le parametre v zgornji popolnoma povezani klasifikacijski plasti z izhodno dimenzijo, ki je enaka številu oznak razreda v naboru podatkov. Privzeto je ta hiperparameter nastavljen na True
, ki je nastavitev, namenjena prenosu učenja na majhnih naborih podatkov. Morda imate nabor podatkov po meri, pri katerem ekstrakcija funkcij iz predhodnega usposabljanja na naboru podatkov ImageNet ne zadostuje. V teh primerih bi morali nastaviti train_only_on_top_layer
do False
. Čeprav bo ta nastavitev podaljšala čas usposabljanja, boste izvlekli bolj pomembne funkcije za vaš problem, ki vas zanima, in s tem povečali natančnost.
Izvleček meritev iz dnevnikov CloudWatch
Algoritem za klasifikacijo slik JumpStart TensorFlow med usposabljanjem zanesljivo beleži različne meritve, ki so dostopne SageMakerju Estimator
in objekti HyperparameterTuner. Konstruktor SageMakerja Estimator
ima metric_definitions
argument ključne besede, ki ga je mogoče uporabiti za ovrednotenje delovnega mesta usposabljanja, tako da zagotovite seznam slovarjev z dvema ključema: ime za ime metrike in Regex
za regularni izraz, ki se uporablja za pridobivanje metrike iz dnevnikov. Spremljevalni prenosnik prikazuje podrobnosti izvedbe. Naslednja tabela navaja razpoložljive meritve in povezane regularne izraze za vse modele klasifikacije slik JumpStart TensorFlow.
Ime meritve | Redna Izražanje |
število parametrov | “- Število parametrov: ([0-9\.]+)” |
število parametrov, ki jih je mogoče učiti | "- Število parametrov, ki jih je mogoče učiti: ([0-9\.]+)" |
število parametrov, ki jih ni mogoče trenirati | "- Število parametrov, ki jih ni mogoče učiti: ([0-9\.]+)" |
metrika nabora podatkov vlaka | f”- {metrika}: ([0-9\.]+)” |
metrika validacijskega niza podatkov | f”- val_{metric}: ([0-9\.]+)” |
preskusna metrika nabora podatkov | f”- Test {metrike}: ([0-9\.]+)” |
trajanje vlaka | “- Skupno trajanje usposabljanja: ([0-9\.]+)” |
trajanje vlaka na epoho | "- Povprečno trajanje usposabljanja na obdobje: ([0-9\.]+)" |
zakasnitev ocene testa | »- Zakasnitev ocene testa: ([0-9\.]+)« |
preizkusna zakasnitev na vzorec | "- Povprečna zakasnitev testa na vzorec: ([0-9\.]+)" |
prepustnost testa | "- Povprečna prepustnost testa: ([0-9\.]+)" |
Vgrajeni skript za učenje prenosa zagotavlja različne metrike nabora podatkov za usposabljanje, preverjanje in testiranje znotraj teh definicij, kot jih predstavljajo nadomestne vrednosti niza f. Natančne meritve, ki so na voljo, se razlikujejo glede na vrsto klasifikacije, ki se izvaja. Vsi sestavljeni modeli imajo a loss
metrika, ki je predstavljena z navzkrižno entropijsko izgubo za binarni ali kategorični problem klasifikacije. Prva se uporablja, ko obstaja ena oznaka razreda; slednja se uporablja, če obstajata dve ali več oznak razreda. Če obstaja samo ena oznaka razreda, se naslednje meritve izračunajo, zabeležijo in jih je mogoče ekstrahirati prek regularnih izrazov niza f v prejšnji tabeli: število resničnih pozitivnih rezultatov (true_pos
), število lažno pozitivnih (false_pos
), število res negativnih (true_neg
), število lažno negativnih (false_neg
), precision
, recall
, območje pod krivuljo obratovalne karakteristike sprejemnika (ROC) (auc
) in območje pod krivuljo natančnega priklica (PR) (prc
). Podobno, če obstaja šest ali več oznak razreda, je metrika točnosti prvih 5 (top_5_accuracy
) je prav tako mogoče izračunati, zabeležiti in ekstrahirati prek prejšnjih regularnih izrazov.
Med usposabljanjem so metrike določene za SageMaker Estimator
se oddajajo v dnevnike CloudWatch. Ko je usposabljanje končano, lahko prikličete SageMaker DescribeTrainingJob API in preglejte FinalMetricDataList
ključ v odgovoru JSON:
Ta API zahteva, da se v poizvedbo navede samo ime opravila, tako da je po zaključku mogoče pridobiti meritve v prihodnjih analizah, če je ime opravila usposabljanja ustrezno zabeleženo in ga je mogoče obnoviti. Za to nalogo izbire modela se imena opravil za uravnavanje hiperparametrov shranijo in nadaljnje analize znova pripnejo a HyperparameterTuner
objektu, ki mu je dodeljeno ime opravila uglaševanja, ekstrahirajte najboljše ime opravila uglaševanja iz priloženega uglaševalnika hiperparametrov in nato pokličite DescribeTrainingJob
API, kot je opisano prej, za pridobitev meritev, povezanih z najboljšim delovnim mestom usposabljanja.
Zagon asinhronih opravil za uravnavanje hiperparametrov
Glejte ustrezne prenosnik za podrobnosti izvedbe o asinhronem zagonu opravil za nastavitev hiperparametrov, ki uporablja standardno knjižnico Python sočasne terminske pogodbe modul, vmesnik na visoki ravni za asinhrono izvajanje klicev. V tej rešitvi je implementiranih več premislekov, povezanih s SageMakerjem:
- Vsak račun AWS je povezan z Kvote storitve SageMaker. Ogledati si morate svoje trenutne omejitve, da v celoti izkoristite svoje vire in morebitno zahtevati povišanje omejitev virov po potrebi.
- Pogosti klici API-ja za ustvarjanje številnih hkratnih opravil za nastavitev hiperparametrov so lahko presežejo stopnjo Python SDK in sprožijo izjeme za dušenje. Rešitev tega je ustvariti odjemalca SageMaker Boto3 s konfiguracijo ponovnega poskusa po meri.
- Kaj se zgodi, če vaš skript naleti na napako ali se skript ustavi pred dokončanjem? Za tako velik izbor modelov ali študijo primerjalne analize lahko zabeležite imena opravil za nastavitev in zagotovite priročne funkcije za znova pripnite opravila za nastavitev hiperparametrov ki že obstajajo:
Podrobnosti analize in razprava
Analiza v tej objavi izvaja prenos učenja za ID modelov v algoritmu za klasifikacijo slik JumpStart TensorFlow na naboru podatkov Caltech-256. Vsa izobraževalna opravila so bila izvedena na izobraževalni instanci SageMaker ml.g4dn.xlarge, ki vsebuje en sam NVIDIA T4 GPE.
Testni nabor podatkov se na koncu usposabljanja ovrednoti na instanci usposabljanja. Izbira modela se izvede pred vrednotenjem testnega nabora podatkov, da se nastavijo uteži modela na obdobje z najboljšo zmogljivostjo validacijskega nabora. Preskusna prepustnost ni optimizirana: velikost paketa nabora podatkov je nastavljena na privzeto velikost paketa hiperparametrov usposabljanja, ki ni prilagojena za povečanje uporabe pomnilnika GPE; poročana preskusna prepustnost vključuje čas nalaganja podatkov, ker nabor podatkov ni vnaprej predpomnjen; in porazdeljeno sklepanje na več grafičnih procesorjih ni uporabljeno. Zaradi teh razlogov je ta pretok dobra relativna meritev, vendar bi bil dejanski pretok močno odvisen od vaših konfiguracij razmestitve končne točke sklepanja za usposobljeni model.
Čeprav središče modela JumpStart vsebuje številne tipe arhitekture klasifikacije slik, na tej meji Pareto prevladujejo izbrani modeli Swin, EfficientNet in MobileNet. Modeli Swin so večji in relativno bolj natančni, medtem ko so modeli MobileNet manjši, relativno manj natančni in primerni za omejitve virov mobilnih naprav. Pomembno je omeniti, da je ta meja pogojena z različnimi dejavniki, vključno z natančnim uporabljenim naborom podatkov in izbranimi hiperparametri natančnega prilagajanja. Morda boste ugotovili, da vaš nabor podatkov po meri proizvaja drugačen nabor Pareto učinkovitih rešitev in morda boste želeli daljše čase usposabljanja z različnimi hiperparametri, kot je več povečanja podatkov ali natančnejša nastavitev več kot le najvišje klasifikacijske plasti modela.
zaključek
V tej objavi smo pokazali, kako zagnati obsežne naloge izbire modela ali primerjalne analize z uporabo vozlišča za modele JumpStart. Ta rešitev vam lahko pomaga izbrati najboljši model za vaše potrebe. Spodbujamo vas, da to preizkusite in raziščete Rešitev na svojem naboru podatkov.
Reference
Več informacij je na voljo v naslednjih virih:
O avtorjih
Dr. Kyle Ulrich je uporabni znanstvenik z Vgrajeni algoritmi Amazon SageMaker ekipa. Njegovi raziskovalni interesi vključujejo skalabilne algoritme strojnega učenja, računalniški vid, časovne vrste, Bayesove neparametrične in Gaussove procese. Njegov doktorat je pridobil na Univerzi Duke in je objavil članke v NeurIPS, Cell in Neuron.
Dr. Ashish Khetan je višji aplikativni znanstvenik z Vgrajeni algoritmi Amazon SageMaker in pomaga pri razvoju algoritmov strojnega učenja. Doktoriral je na Univerzi Illinois Urbana Champaign. Je aktiven raziskovalec strojnega učenja in statističnega sklepanja ter je objavil veliko člankov na konferencah NeurIPS, ICML, ICLR, JMLR, ACL in EMNLP.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/image-classification-model-selection-using-amazon-sagemaker-jumpstart/
- 10
- 100
- 7
- 9
- a
- O meni
- dostop
- dostopen
- Račun
- natančnost
- natančna
- Doseči
- čez
- aktivna
- Poleg tega
- Naslov
- naslovi
- Prilagojen
- Pridružen
- proti
- algoritem
- algoritmi
- vsi
- že
- Čeprav
- vedno
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Analize
- Analiza
- in
- Še ena
- API
- uporaba
- uporabna
- ustrezno
- Arhitektura
- OBMOČJE
- Argument
- povezan
- pripisujejo
- Poskusi
- Samodejno
- Na voljo
- povprečno
- AWS
- temeljijo
- Bajezijski
- ker
- pred
- počutje
- primerjalna analiza
- BEST
- Big
- vgrajeno
- poslovni
- poziva
- Kandidat
- primeri
- kategorije
- izziv
- Značilnost
- Izberite
- razred
- Razvrstitev
- Razvrsti
- stranke
- kombinirani
- Skupno
- Primerjava
- dokončanje
- Končana
- dokončanje
- kompleksnost
- računalnik
- Računalniška vizija
- Skrbi
- konference
- konfiguracija
- povezane
- povezave
- premislekov
- omejitve
- Vsebuje
- naprej
- nadzor
- Nadzor
- udobje
- Ustrezno
- pokrov
- ustvarjajo
- Trenutna
- krivulja
- po meri
- datum
- nabor podatkov
- globlje
- privzeto
- odvisno
- razporedi
- uvajanja
- uvajanje
- globina
- opisano
- opis
- Podrobnosti
- Razvoj
- naprave
- drugačen
- razpravlja
- porazdeljena
- razne
- Ne
- Duke
- vojvodska univerza
- med
- vsak
- prej
- Zgodnje
- lažje
- učinkovite
- bodisi
- odpravo
- omogočajo
- spodbujanje
- spodbujati
- konec koncev
- Končna točka
- okolje
- epoha
- epohe
- Napaka
- oceniti
- ocenili
- Ocena
- Primer
- Primeri
- Razen
- raziskuje
- Raziskovati
- izrazi
- ekstrakt
- dejavniki
- sejem
- prednost
- Feature
- Lastnosti
- Področja
- Slika
- končno
- Najdi
- prva
- opremljanje
- po
- Nekdanji
- iz
- Frontier
- Frontiers
- v celoti
- funkcije
- Prihodnost
- Terminske pogodbe
- ustvarjajo
- dobili
- dana
- Globalno
- dobro
- GPU
- Grafične kartice
- veliko
- več
- Zelen
- se zgodi
- močno
- pomoč
- Pomaga
- na visoki ravni
- visoka kvaliteta
- več
- Kako
- Kako
- HTML
- HTTPS
- Hub
- Stotine
- Uglaševanje hiperparametrov
- Illinois
- slika
- Razvrstitev slik
- slike
- izvajati
- Izvajanje
- izvajali
- Pomembnost
- Pomembno
- Izboljšanje
- izboljšanju
- in
- vključujejo
- vključuje
- Vključno
- Povečajte
- Poveča
- narašča
- kazalniki
- Podatki
- vhod
- primer
- obresti
- interesi
- vmesnik
- notranji
- intrinzično
- uvesti
- IT
- Job
- Delovna mesta
- json
- Ključne
- tipke
- label
- Oznake
- velika
- obsežne
- večja
- Latenca
- izstrelki
- začetek
- plast
- plasti
- vodi
- UČITE
- učenje
- dviganje
- light
- LIMIT
- Meje
- Seznam
- seznami
- nalaganje
- Long
- več
- off
- stroj
- strojno učenje
- Izdelava
- več
- Povečajte
- smiselna
- meritve
- Spomin
- meritev
- Meritve
- ML
- Mobilni
- mobilne naprave
- Model
- modeli
- Moduli
- več
- več
- Ime
- Imena
- potrebno
- potrebe
- omrežij
- Novo
- prenosnik
- Številka
- Nvidia
- predmet
- predmeti
- opazujejo
- pridobi
- pridobljeni
- ONE
- deluje
- operacije
- optimizirana
- opisano
- lastne
- članki
- parameter
- parametri
- zlasti
- Potrpljenje
- Izvedite
- performance
- opravlja
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Točka
- točke
- Popular
- mogoče
- Prispevek
- potencialno
- pr
- preprečiti
- Predhodna
- problem
- Težave
- Postopek
- Procesi
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- objavljeno
- Python
- vprašanje
- vprašanja
- hitro
- RAM
- Oceniti
- Cene
- resnični svet
- Razlogi
- zmanjšanje
- redni
- relativno
- odstrani
- Prijavljeno
- predstavljajo
- zastopan
- predstavlja
- zahteva
- obvezna
- Zahteve
- zahteva
- Raziskave
- raziskovalec
- Resolucija
- vir
- viri
- Odgovor
- Rezultati
- Run
- tek
- sagemaker
- Enako
- razširljive
- Znanstvenik
- skripte
- SDK
- Iskalnik
- Oddelek
- izbran
- izbiranje
- izbor
- višji
- Serija
- Storitev
- Zasedanje
- nastavite
- Kompleti
- nastavitev
- več
- Oblikujte
- shouldnt
- Razstave
- podobno
- poenostavitev
- sam
- SIX
- Velikosti
- velikosti
- majhna
- manj
- So
- Rešitev
- rešitve
- SOLVE
- specifikacija
- specifikacije
- določeno
- standardna
- začel
- Statistično
- Korak
- ustavil
- ustavljanje
- shranjeni
- študija
- kasneje
- taka
- dovolj
- primerna
- miza
- ciljno
- Naloga
- Naloge
- skupina
- tensorflo
- Test
- O
- njihove
- s tem
- 3
- pretočnost
- čas
- Časovne serije
- krat
- do
- danes
- skupaj
- orodja
- vrh
- top 5
- Skupaj za plačilo
- Vlak
- usposobljeni
- usposabljanje
- prenos
- transformatorji
- Res
- Vrste
- Konec koncev
- pod
- edinstven
- univerza
- Uporaba
- uporaba
- uporabiti
- uporablja
- potrjevanje
- Vrednote
- raznolikost
- Popravljeno
- preko
- Poglej
- Vizija
- ki
- medtem
- celoti
- široka
- bo
- v
- brez
- bi
- pisanje
- Vi
- Vaša rutina za
- zefirnet