通过按需召开的网络研讨会,加快深度学习的速度

概述

什么是深度学习?

深度学习是机器学习的子集,神经网络(由人脑启发的算法)会从大量数据中学习。 深度学习算法会反复执行任务,并通过支持渐进式学习的深度层次逐步改善结果。 它是基于神经网络的更广泛机器学习方法系列的一部分。

深度学习正在对行业产生巨大影响。 在生命科学领域,深度学习可以用于开展先进的图像分析、研究、药物发现、对健康问题和疾病症状的预测,以及加速从基因组测序中获取洞察。 在交通领域,可以帮助自动驾驶汽车适应不断变化的行车状况。 它还可用于保护关键基础设施和加快响应速度。

企业往往会将深度学习开发任务外包出去。 但是,最好是保留适用于企业核心用例的深度学习开发工作。 这些包括欺诈检测和建议、预测性维护和时间序列数据分析、推荐系统优化、客户关系管理,以及预测在线广告的点击率。

开始使用 IBM Cloud Pak® for Data 即服务上的 IBM Watson Studio® 开展深度学习

功能

实验构建器

启动和监控批处理训练实验,实时比较跨模型性能,并专注于设计神经网络。

分布式深度学习 (DDL)

支持流行的开源框架,例如 TensorFlow、Caffe、Torch 和 Chainer,以扩展至多个 GPU。

手写数字识别

使用预先训练的 PyTorch 模型来预测图像中的手写数字。 使用 REST API 提交训练作业,监视状态以及存储和部署模型。

视觉识别服务

使用 IBM Watson Visual Recognition 服务提供的深度学习算法分析场景和对象的图像。 在协作环境中处理图像和数据集。

图像分类

执行多类分类,预处理和访问图像,并创建可视化效果,以深入了解模型。

语言模型

使用 Notebook、Keras 和 TensorFlow 构建语言模型来生成文本。

了解 IBM Watson Studio 中的深度学习

深度学习实验

产品截屏,显示了为新的深度学习实验定义元数据的位置

深度学习实验

运行深度学习实验,为每个定义创建一个训练运行过程。

模型定义

产品截屏,显示了添加模型定义的位置,包括名称、训练源代码、框架和执行命令

模型定义

定义模型构建代码、执行命令、GPU 和其他元数据。

资源计划

产品截屏,显示了项目的资源计划,包括 GPU 配置的概述选项卡、用户统计信息选项卡和活动应用选项卡

资源计划

确定资源计划中的 GPU 配置。

训练进度

显示训练状态折线图的产品截屏

训练进度

监控深度学习训练过程。

GPU Notebook

在 GPU Notebook 中显示图像分类的产品截屏

GPU Notebook

创建 GPU 环境定义,并在创建 Notebook 时运行 Notebook。

使用个人喜欢的框架

在 IBM Watson Studio 中预先安装并为性能而优化

TensorFlow 徽标
Keras 徽标
PyTorch 徽标

深度学习入门

开始在 IBM Watson Studio 上开展深度学习实验。