Qu'est-ce que l'apprentissage en profondeur?

Le service IBM d'apprentissage en profondeur, axé sur les expériences, fait partie de Watson Studio. Il permet aux spécialistes des données de concevoir visuellement leurs réseaux neuronaux et de déployer leurs cycles de formation. L'allocation automatique permet de ne payer que les ressources utilisées. Grâce à une optimisation adaptée aux environnements de production, faites évoluer votre formation à l'aide du GPU NVIDIA® Tesla® V100 avec la structure d'apprentissage en profondeur de votre choix, puis déployez facilement sur le cloud ou en périphérie.

→ Regarder le webinaire sur l'apprentissage en profondeur

Fonctions d'apprentissage en profondeur

Assistant d'expérimentation

Lancez et surveillez des expériences de formation par lots, puis comparez en temps réel les performances entre les différents modèles, sans avoir vous préoccuper des transferts de journaux et des scripts pour visualiser les résultats. Vous pouvez vous concentrer sur la conception de vos réseaux neuronaux. Nous nous chargeons de gérer et de suivre vos actifs.

Ouvert et flexible

Utilisez votre infrastructure d'apprentissage en profondeur de prédilection : Tensorflow, Keras, PyTorch, Caffe, etc. Gérez vos expériences d'apprentissage en profondeur avec vos outils préférés : interface de ligne de commande (CLI), bibliothèque Python ou interface utilisateur interactive.

Traitement élastique avec un GPU

Formez les réseaux neuronaux en parallèle à l'aide des GPU de NVIDIA® Tesla®, leaders sur le marché : K80, P100 et V100. Enfin, payez uniquement ce que vous utilisez. L'allocation automatique vous évite de devoir vous rappeler d'arrêter vos instances de formation cloud. Vous n'avez pas de clusters ou de conteneurs à gérer.

Optimisation de l'hyperparamètre

Automatisez efficacement la recherche dans l'espace des hyperparamètres de votre réseau afin de garantir la performance optimale du modèle avec un nombre minimum de cycles de formation.

Modélisateur de réseau neuronal (version bêta)

Concevez visuellement vos réseaux neuronaux. Faites glisser-déposer des couches de votre architecture neuronale, puis configurez et déployez à l'aide des infrastructures d'apprentissage en profondeur les plus populaires.

Avantages de l'apprentissage en profondeur

Gagnez du temps

Pas seulement de l'argent. Utilisez vos flux de travaux IDE et les flux de travaux existants que vous préférez. L'interface CLI, la bibliothèque Python et l'accès REST sont équilibrés par les outils de débogage visuel. Concevez et optimisez vos réseaux plus rapidement et plus facilement.

Renseignement à la demande

La formation gérée vous permet de vous concentrer sur la conception de structures de réseau neuronal optimales. Les actifs de formation sont stockés automatiquement. L'auto-allocation vous permet de ne payer que les ressources de traitement requises par la tâche.

Infrastructure cloud sécurisée

Optimisée pour les environnements de production d'entreprise, et fonctionnant sur la même infrastructure que celle qui héberge les propres services cognitifs d'IBM Watson.

Des graphiques à la place des fichiers journaux

Oubliez les fichiers journaux de texte. Superposez les graphiques de précision et de perte en temps réel, et suivez puis affichez les hyperparamètres du modèle pour analyser plus en profondeur la formation de vos réseaux neuronaux.

Collaboration en équipe

Partagez des expériences, déboguez des architectures neuronales, accédez à des données communes dans les magasins d'objets hébergés, transmettez des modèles versionnés à votre équipe, puis confiez-lui le soin de fournir des données dans le cadre d'un flux d'apprentissage continu.

Images de l'offre produit

Tutoriels et cas d'utilisation

Utilisez un bloc-notes, Keras et TensorFlow pour construire un modèle de langage pour la génération de texte

Comment contrecarrer les fraudes telles que les fausses critiques de produits ? Réponse : à l'aide des mêmes modèles génératifs qui les créent. Ce modèle de code explique comment former un modèle de langage d'apprentissage en profondeur dans un bloc-notes à l'aide de Keras et de TensorFlow. Grâce aux données téléchargées à partir de Yelp, vous apprendrez à installer TensorFlow et Keras, à former un modèle de langage d'apprentissage en profondeur et à générer de nouvelles critiques de restaurants. Bien que la portée de ce modèle de code se limite à une introduction à la génération de texte, elle constitue une base solide pour apprendre à construire un modèle de langage.

Accéder au tutoriel

Deep Learning

Initiation à l'apprentissage en profondeur

Commencez à exécuter immédiatement vos expériences d'apprentissage en profondeur.