Was ist Deep Learning?
Mit dem experimentorientierten Deep-Learning-Service von IBM innerhalb von Watson Studio können Data-Scientists ihre neuronalen Netze visuell gestalten und ihre Trainingsläufe horizontal skalieren. Durch die automatische Zuordnung werden nur die genutzten Ressourcen bezahlt. Durch die gezielte Optimierung für Produktionsumgebungen können Sie Ihr Trainingsprogramm mit NVIDIA® Tesla® V100 GPU zusammen mit Ihrem bevorzugten Deep-Learning-Framework vertikal skalieren. Danach können Sie ohne großen Aufwand die Bereitstellung in der Cloud oder in der Peripherie vornehmen.
Deep-Learning-Funktionen
Experiment Assistant
Initiieren und überwachen Sie Batch-Training-Experimente und vergleichen Sie dann das modellübergreifende Leistungsverhalten in Echtzeit, ohne sich Gedanken über Protokollübertragungen und Scripts zu machen, um Ergebnisse zu visualisieren. Ihr Schwerpunkt liegt in erster Linie auf der Gestaltung Ihrer neuronalen Netze. Die Verwaltung und Überwachung Ihrer Assets übernehmen wir.
Offen und flexibel
Nutzen Sie Ihr bevorzugtes Deep-Learning-Framework: Tensorflow, Keras, PyTorch, Caffe und andere. Verwalten Sie Ihre Deep-Learning-Experimente mit Ihren bevorzugten Tools: Befehlszeilenschnittstelle (CLI), Python-Bibliothek oder interaktive Benutzerschnittstelle.
Elastische GPU-Berechnung
Trainieren Sie neuronale Netze parallel mit den marktführenden NVIDIA® Tesla® PUs – K80, P100 und V100.Sie bezahlen nur für das, was Sie tatsächlich nutzen. Automatische Zuordnung bedeutet, dass Sie nicht mehr daran denken müssen, Ihre Cloud-Trainingsinstanzen zu beenden. Auch Cluster oder Container müssen nicht mehr verwaltet werden.
Hyperparameteroptimierung
Automatisieren Sie auf effiziente Weise das Durchsuchen des Hyperparameterbereichs Ihres Netzwerks, um die beste Modellleistung mit den wenigsten Trainingsläufen zu gewährleisten.
Neural Network Modeler (Betaversion)
Gestalten Sie Ihre neuronalen Netze auf visuelle Weise. Ziehen und übergeben Sie Schichten Ihrer neuronalen Architektur. Nehmen Sie dann die Konfiguration und Bereitstellung mit den gängigsten Deep-Learning-Frameworks vor.
Vorteile von Deep Learning
Zeit sparen
Und nicht nur Geld. Verwenden Sie Ihre bevorzugte IDE und vorhandene Workflows. CLI-, Python-Bibliotheks- und REST-Zugriff erfolgt ausgewogen über visuelle Debugging-Tools. Gestalten und optimieren Sie Ihre Netzwerke besser und schneller.
Intelligence On-Demand
Verwaltetes Training bedeutet, dass Sie sich auf die Gestaltung optimaler neuronaler Netzstrukturen konzentrieren können. Trainingsressourcen werden für Sie gespeichert. Automatische Zuordnung bedeutet, dass Sie nur für die vom Job benötigten Rechenressourcen bezahlen.
Vertrauenswürdige Cloudinfrastruktur
Optimiert für komplexe unternehmensweite Produktionsumgebungen und die Ausführung auf derselben Infrastruktur, auf der sich auch die kognitiven Services von IBM Watson befinden.
Diagramme, keine Protokolldateien
Und auch keine Textprotokolle. Überlagern Sie Genauigkeits- und Verlustdiagramme in Echtzeit. Verfolgen Sie dann die modellspezifischen Hyperparameter und zeigen Sie sie an, um tiefer in das Training Ihrer neuronalen Netze einzutauchen.
Elektronisches Teamwork
Teilen Sie Experimente, debuggen Sie neuronale Architekturen, greifen Sie auf gemeinsame Daten in gehosteten Objektspeichern zu und leiten Sie versionsgesteuerte Modelle an Ihr Team weiter. Die Teammitglieder können dann Daten in einen kontinuierlichen Trainingsfluss einfließen lassen.
Bilder zu Produktangeboten
Experiment Assistant
Modellvergleich
Neural Network Modeler
Lernprogramme und Anwendungsfälle
Verwenden Sie ein Notebook, Keras und TensorFlow, um ein Sprachmodell für die Textgenerierung zu erstellen.
Wie können Sie betrügerischen Machenschaften wie bei Produktüberprüfungen entgegenwirken?Durch die Verwendung der gleichen generativen Modelle, durch die diese Probleme verursacht werden. Dieses Codemuster erklärt, wie Sie mit mit Keras und TensorFlow ein Deep-Learning-Sprachmodell in einem Notebook trainieren. Anhand der von Yelp heruntergeladenen Daten lernen Sie, wie Sie TensorFlow und Keras installieren, ein Deep-Learning-Sprachmodell trainieren und neue Restaurantbewertungen generieren. Auch wenn dieses Codemuster sich nur auf die Einführung in die Textgenerierung beschränkt, ist es doch eine gute Basis für das Erlernen eines Sprachmodells.
