Qu'est-ce que le deep learning ?

Le service de deep learning ou apprentissage en profondeur orienté expériences d'IBM, au sein d'IBM Watson Studio, permet aux spécialistes des données de concevoir visuellement leurs réseaux neuronaux et de mettre à l'échelle leurs cycles de formation, en ne payant que pour les ressources utilisées grâce à l'auto-allocation. Optimisé pour les environnements de production, mettez à l'échelle vos cycles de formation à l'aide du processeur graphique NVIDIA Tesla V100 avec votre infrastructure d'apprentissage en profondeur de prédilection, puis déployez facilement sur le Cloud ou en périphérie.

→  Regardez le cyberséminaire sur le deep learning (lien externe à ibm.com)

Fonctions du deep learning

Assistant d'expérimentation

Lancez et surveillez des expériences de formation par lots, puis comparez les performances des modèles croisés en temps réel, sans vous inquiéter des transferts de journaux et des scripts pour visualiser les résultats. Concentrez-vous sur la conception de vos réseaux neuronaux ; IBM gérera et suivra vos actifs.

Ouvert et flexible

Utilisez votre infrastructure de deep learning 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 des réseaux neuronaux en parallèle, en utilisant des processeurs graphiques NVIDIA Tesla leaders sur le marché - K80, P100 et V100. Enfin, payez uniquement ce que vous utilisez. Grâce à l'auto-allocation, il n'est pas nécessaire de vous rappeler de fermer vos instances de formation Cloud. Il n'y a pas de clusters ou de conteneurs à gérer.

Optimisation de l'hyperparamètre

Automatisez efficacement la recherche dans l'espace d'hyperparamètres de votre réseau afin d'assurer la meilleure performance du modèle avec le moins de cycles de formation possible.

Modélisateur de réseaux neuronaux (version bêta)

Concevez visuellement vos réseaux neuronaux. Glissez-déposez des couches de votre architecture neuronale, puis configurez et déployez, en utilisant les infrastructures de deep learning les plus populaires.

Avantages du deep learning

Économisez du temps, pas seulement de l'argent

Utilisez vos flux de travaux IDE et existants préférés. 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 mettre l'accent 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

Optimisé pour les environnements de production d'entreprise, il s'exécute sur la même infrastructure qui héberge les services cognitifs IBM Watson.

Des graphiques à la place des fichiers journaux

Oubliez les fichiers journaux sous forme de texte. Superposez des graphiques de précision et de perte en temps réel, puis suivez, visualisez et modélisez des hyperparamètres pour explorer plus profondément la formation de vos réseaux neuronaux.

Collaboration en équipe

Partagez des expériences, déboguez des réseaux de neurones artificiels, accédez à des données communes dans les librairies hébergées et transmettez des modèles versionnés à votre équipe, afin de les aider à alimenter un flux continu d'apprentissage avec des données.

Images du produit deep learning d’IBM

Utilisez votre infrastructure de prédilection

Dans Watson Studio, les infrastructures les plus populaires sont préinstallées et optimisées pour les performances grâce au service Watson Machine Learning, et il est facile d'ajouter des dépendances personnalisées à vos environnements. Essayez le produit deep learning Watson Studio maintenant pour vous concentrer uniquement sur votre tâche ; IBM prendra en charge vos environnements.

Explorez Watson Studio →

Tutoriels et cas d'utilisation du deep learning

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

Comment lutter contre les faux avis sur les produits ? Réponse : à l'aide des mêmes modèles génératifs qui les créent. Ce modèle de code explique comment former un modèle de langue de deep learning dans un bloc-notes, en utilisant Keras et TensorFlow. En utilisant les données téléchargées de Yelp, vous apprendrez à installer TensorFlow et Keras, à former un modèle de langue de deep learning et à générer de nouveaux avis. Bien que la portée de ce modèle de code se limite à une introduction à la génération de texte, il fournit une base solide pour apprendre à développer un modèle de langue.

Accéder au tutoriel

Deep Learning

Développez un outil de reconnaissance de nombres manuscrits dans Watson Studio et PyTorch

Reconnaître les nombres manuscrits est une compétence simple que les humains utilisent au quotidien - mais qui peut représenter un défi de taille pour les machines. Cela est en train de changer avec les progrès du deep learning et de l'IA. Il existe des applications bancaires mobiles qui peuvent analyser les chèques manuscrits instantanément, et des logiciels comptables qui peuvent extraire des montants en dollars de milliers de contrats en quelques minutes. Si vous souhaitez savoir comment tout cela fonctionne, utilisez ce modèle de code et suivez la procédure pour créer un outil de reconnaissance de nombres manuscrits à l'aide de Watson Studio et de PyTorch.

Accéder au tutoriel

Deep learning: création d’un outil de reconnaissance de caractère numérique écrit à la main dans Watson Studio et PyTorch

Initiation à l'apprentissage en profondeur

Commencez à exécuter immédiatement vos expériences de deep learning et de réseaux neuronaux.