O que é deep learning?

O serviço de deep learning centrado em experiências da IBM no IBM Watson® Studio permite que os cientistas de dados desenvolvam visualmente suas redes neurais e ajustem a escala de suas execuções de treinamento por meio da alocação automática, o que significa que somente os recursos usados são pagos. Otimizado para ambientes de produção, ajuste a escala de seu treinamento usando a GPU do NVIDIA Tesla V100 com sua estrutura de deep learning preferencial e, em seguida, implemente facilmente na cloud ou na borda.

Assista ao webinar de deep learning (link externo ao ibm.com)

Recursos de deep learning

Assistente de experimento

Comece e monitore experimentos de treinamento em lote e, em seguida, compare o desempenho de modelo cruzado em tempo real, sem se preocupar com os scripts e as transferências de log para visualizar resultados. Concentre-se em desenvolver suas redes neurais e a IBM gerenciará e rastreará seus recursos.

Aberto e flexível

Use seu modelo de deep learning preferencial: Tensorflow, Keras, PyTorch, Caffe e muito mais. Gerencie seus experimentos de deep learning com suas ferramentas preferenciais: interface da linha de comandos (CLI), biblioteca Python ou uma interface com o usuário interativa.

Cálculo de GPU elástica

Treine redes neurais em paralelo, usando as GPUs líderes no mercado NVIDIA Tesla — K80, P100 e V100.Pague somente por aquilo que usar. A alocação automática significa que você não tem que se lembrar de encerrar suas instâncias de treinamento em cloud. Não há clusters ou contêineres para gerenciar.

Otimização de hiperparâmetro

Automatize eficientemente a procura do espaço de hyperparameter de sua rede para garantir o melhor desempenho do modelo com o menor número de execuções de treinamento.

Neural Network Modeler (beta)

Desenvolva visualmente suas redes neurais. Arraste e solte camadas de sua arquitetura neural e, em seguida, configure-as e implemente-as usando os modelos de deep learning mais populares.

Vantagens do deep learning

Economize tempo, não somente dinheiro

Use seu IDE preferencial e os fluxos de trabalho existentes. A CLI, a biblioteca Python e o acesso de REST são balanceados por ferramentas de depuração visual. Desenvolva e otimize as suas redes de forma melhor e mais rápida.

Inteligência sob demanda

O treinamento gerenciado significa que é possível se concentrar em desenvolver estruturas de rede neural ideais. Os ativos de treinamento são armazenados para você. A alocação automática permite pagar somente pelos recursos de cálculo necessários para a tarefa.

Infraestrutura em cloud confiável

Otimizado para ambientes de produção corporativos, ele é executado na mesma infraestrutura que hospeda os serviços cognitivos do IBM Watson.

Gráficos, não arquivos de log

Esqueça os logs de texto. Sobreponha gráficos de exatidão e perda em tempo real, além de controlar e visualizar hiperparâmetros de modelo para saber mais sobre o treinamento de suas redes neurais.

Colaboração da equipe

Compartilhe experimentos, depure arquiteturas neurais, acesse dados comuns dentro de armazenamentos de objeto hospedado e encaminhe modelos com versão para sua equipe, ajudando-as a alimentar dados em um fluxo de aprendizado contínuo.

Imagens da oferta do produto

Use seu modelo favorito

No Watson Studio, os modelos populares são pré-instalados e otimizados para o desempenho por meio do Watson Machine Learning Service e é fácil incluir dependências customizadas em seus ambientes. Experimente o Watson Studio agora para focar somente em sua tarefa, pois a IBM cuidará de seus ambientes.

Conheça o Watson Studio →

Tutoriais e casos de uso

Use um notebook, Keras e TensorFlow para criar um modelo de linguagem para a geração de texto

Como lidar com problemas antifraudulentos, como revisões de produto?Usando os mesmos modelos generativos que os estão criando. Esse padrão de código explica como treinar um modelo de linguagem de deep learning em um notebook, usando o Keras e o TensorFlow. Usando dados transferidos por download do Yelp, é possível aprender a instalar o TensorFlow e o Keras, treinar um modelo de linguagem de deep learning e gerar novas críticas de restaurantes. Embora o escopo desse padrão de código seja limitado a uma introdução à geração de texto, ele fornece uma grande base para aprender como criar um modelo de linguagem.

Acesse o tutorial

Deep Learning

Desenvolva um identificador de dígito manuscrito no Watson Studio e no PyTorch

Reconhecer números manuscritos é uma habilidade simples e cotidiana para os humanos, mas pode ser um desafio significativo para as máquinas. Agora, isso está mudando com o avanço do machine learning e da IA. Há aplicativos bancários móveis que podem varrer cheques manuscritos instantaneamente e um software de contabilidade que pode extrair quantias de dólares de milhares de contratos em minutos. Se estiver interessado em saber como tudo isso funciona, siga esse padrão de código para entender as etapas para criar um reconhecedor simples de dígitos manuscritos usando o Watson Studio e o PyTorch.

Acesse o tutorial

Crie um identificador de dígito manuscrito no Watson Studio e no PyTorch

Comece a usar o deep learning

Comece a executar agora seus experimentos de deep learning.