Was ist Deep Learning?

Der experimentbasierte Deep-Learning-Service von IBM in IBM Watson® Studio ermöglicht Data-Scientists das visuelle Design neuronaler Netze und die Skalierung von Trainingsläufen. Dank der automatischen Zuordnung müssen Sie nur für die tatsächlich genutzten Ressourcen bezahlen. Mit der für Produktionsumgebungen optimierten Lösung können Sie Ihr Training mit der NVIDIA Tesla V100 GPU und dem von Ihnen bevorzugten Deep-Learning-Framework skalieren und Ihre neuronalen Netze anschließend problemlos in der Cloud oder in einer Edge-Umgebung nutzen.

→  Webseminar zu Deep Learning ansehen (Link führt zu Seite außerhalb von ibm.com)

Deep-Learning-Leistungsmerkmale

Experiment Assistant

Initiieren und überwachen Sie Batch-Training-Experimente und vergleichen Sie dann die Leistung verschiedener Modelle in Echtzeit, ohne sich Gedanken über Protokollübertragungen und Scripts bei der Visualisierung der Ergebnisse machen zu müssen. Konzentrieren Sie sich auf das Design Ihrer neuronalen Netze, während IBM sich um das Management und die Verfolgung Ihrer Assets kümmert.

Offen und flexibel

Nutzen Sie Ihr bevorzugtes Deep-Learning-Framework: Tensorflow, Keras, PyTorch, Caffe und andere. Managen Sie Ihre Deep-Learning-Experimente mit den von Ihnen bevorzugten Tools: Befehlszeilenschnittstelle (CLI), Python-Bibliothek oder interaktive Benutzerschnittstelle.

Flexible GPU-Rechenleistung

Trainieren Sie neuronale Netze parallel mit den marktführenden NVIDIA Tesla GPUs K80, P100 und V100. Sie bezahlen nur für die tatsächlich genutzten Ressourcen. Dank der automatischen Zuordnung müssen Sie nicht daran denken, Ihre Cloud-Trainingsinstanzen zu beenden. Es müssen keine Cluster oder Container verwaltet werden.

Hyperparameter-Optimierung

Automatisieren Sie auf effiziente Weise das Durchsuchen des Hyperparameterbereichs Ihres Netzwerks, um die beste Modellleistung mit den wenigsten Trainingsläufen sicherzustellen.

Neural Network Modeler (Betaversion)

Entwickeln Sie ein visuelles Design Ihrer neuronalen Netze. Verschieben Sie Schichten Ihrer neuronalen Architektur per Drag-and-drop und führen Sie dann die Konfiguration und Implementierung mit den gängigsten Deep-Learning-Frameworks durch.

Vorteile von Deep Learning

Zeit- und Kosteneinsparungen

Verwenden Sie Ihre bevorzugte IDE und vorhandene Workflows. Für den ausgewogenen Zugriff auf CLI, Python-Bibliotheken und REST sorgen visuelle Debugging-Tools. Entwerfen und optimieren Sie Ihre Netze besser und schneller.

Informationen auf Abruf

Managed Training bedeutet, dass Sie sich auf das Design optimaler neuronaler Netzstrukturen konzentrieren können. Trainingsressourcen werden für Sie gespeichert. Dank der automatischen Zuordnung bezahlen Sie nur für die Rechenressourcen, die Sie für die jeweilige Aufgabe benötigen.

Sichere Cloud-Infrastruktur

Die Lösung ist für Produktionsumgebungen von Unternehmen optimiert und wird in derselben Infrastruktur ausgeführt, in der auch die kognitiven Services von IBM Watson gehostet werden.

Diagramme, keine Protokolldateien

Vergessen Sie Textprotokolle. Überlagern Sie Genauigkeits- und Verlustdiagramme in Echtzeit. Verfolgen Sie Modellhyperparameter und zeigen Sie sie an, um das Training Ihrer neuronalen Netze detaillierter zu untersuchen.

Zusammenarbeit im Team

Teilen Sie Experimente, debuggen Sie neuronale Architekturen, greifen Sie auf gemeinsame Daten in gehosteten Objektspeichern zu und leiten Sie versionierte Modelle an Ihr Team weiter. So unterstützen Sie das Team dabei, Daten in einen kontinuierlichen Lernfluss aufzunehmen.

Bilder zu Produktangeboten

Verwenden Sie Ihr bevorzugtes Framework

In Watson Studio sind gängige Frameworks vorinstalliert und für die Ausführung durch den Watson Machine Learning Service optimiert. Benutzerdefinierte Abhängigkeiten können problemlos zu Ihren Umgebungen hinzugefügt werden. Testen Sie Watson Studio jetzt. Sie können sich ganz auf Ihre Aufgabe konzentrieren, während IBM sich um Ihre Umgebung kümmert.

Watson Studio kennenlernen →

Tutorials und Anwendungsfälle

Verwenden Sie ein Notebook, Keras und TensorFlow, um ein Sprachmodell für die Textgenerierung zu erstellen

Wie können Sie Betrug, z. B. bei Produktbewertungen, bekämpfen? Durch die Verwendung der gleichen generativen Modelle, durch die diese Probleme verursacht werden. Dieses Codemuster erklärt, wie Sie 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 sich dieses Codemuster nur auf die Einführung in die Textgenerierung beschränkt, ist es doch eine gute Basis für das Erlernen der Erstellung eines Sprachmodells.

Zum Tutorial

Deep Learning

Erstellen Sie eine Funktion für die Erkennung handschriftlicher Zahlen in Watson Studio und PyTorch

Die Erkennung handschriftlicher Zahlen ist eine einfache, alltägliche Aufgabe für Menschen, kann sich aber als große Herausforderung für Maschinen erweisen. Das ändert sich jetzt dank Fortschritten in maschinellem Lernen und künstlicher Intelligenz (KI). Es gibt Mobile-Banking-Anwendungen, die handschriftlich ausgefüllte Schecks sofort überprüfen können, und Buchhaltungssoftware, die Dollarbeträge innerhalb von Minuten aus Tausenden von Verträgen extrahieren kann. Wenn Sie wissen möchten, wie all das funktioniert, nutzen Sie dieses Codemuster. Wir führen Sie durch die einzelnen Schritte, die für die Erstellung einer einfachen Funktion für die Erkennung handschriftlicher Zahlen mit Watson Studio und PyTorch erforderlich sind.

Zum Tutorial

Erstellen Sie eine Funktion für die Erkennung handschriftlicher Zahlen in Watson Studio und PyTorch

Nutzen Sie jetzt Deep Learning

Beginnen Sie jetzt mit der Ausführung Ihrer Deep-Learning-Experimente.