¿Qué es deep learning?

El servicio de deep learning centrado en experimentar de IBM dentro de IBM Watson® Studio permite a los científicos de datos diseñar visualmente sus redes neuronales y escalar las ejecuciones de entrenamiento, mientras que la asignación automática permite pagar solo por los recursos utilizados.Optimizado para entornos de producción, escale el entrenamiento utilizando la GPU NVIDIA Tesla V100 con su infraestructura de deep learning, que podrá desplegar fácilmente en cloud o en el extremo.

→  Vea el webinar de deep learning (enlace externo a ibm.com)

Características de deep learning

Experiment Assistant

Inicie y supervise los experimentos de entrenamiento por lotes para después comparar el rendimiento entre los distintos modelos en tiempo real, sin preocuparse por las transferencias de registro ni los scripts para visualizar los resultados. Céntrese en el diseño de sus redes neuronales; IBM gestionará y realizará el seguimiento de sus activos.

Abierta y flexible

Utilice la infraestructura de deep learning que prefiera: Tensorflow, Keras, PyTorch, Caffe y más. Gestione sus experimentos de deep learning con las herramientas que prefiera: interfaz de línea de mandatos (CLI), biblioteca de Python o una interfaz de usuario interactiva.

Cálculo de GPU elástico

Entrene las redes neuronales en paralelo, utilizando las GPU de NVIDIA Tesla líderes del mercado: K80, P100 y V100. Pague solo por lo que utilice. La asignación automática supone no tener que acordarse de cerrar las instancias de entrenamiento en cloud. No tiene que gestionar clústeres ni contenedores.

Optimización de hiperparámetros

Automatice eficientemente la búsqueda en el espacio de hiperparámetros de la red para garantizar el mejor rendimiento de los modelos con menos ejecuciones de entrenamiento.

Neural Network Modeler (beta)

Diseñe visualmente sus redes neuronales. Arrastre y suelte capas de su arquitectura neuronal para, a continuación, configurar y desplegar utilizando las infraestructuras de deep learning más populares.

Ventajas de deep learning

Ahorre tiempo, no solo dinero

Utilice su entorno de desarrollo integrado (IDE) preferido y los flujos de trabajo existentes. La CLI, la biblioteca de Python y el acceso REST están equilibrados mediante herramientas de depuración visual. Diseñe y optimice sus redes mejor y más rápido.

Inteligencia bajo demanda

El entrenamiento gestionado significa que se puede centrar en diseñar estructuras de red neuronal óptimas. Los activos de entrenamiento se almacenan para usted. La asignación automática significa que solo paga por los recursos de cálculo que requiere el trabajo.

Infraestructura cloud fiable

Optimizada para entornos de producción empresarial, se ejecuta en la misma infraestructura que aloja los servicios cognitivos de IBM Watson.

Gráficos, no archivos de registro

Olvídese de los registros de texto. Superponga los gráficos de pérdida y precisión en tiempo real y, realice el seguimiento y compruebe los hiperparámetros del modelo para analizar en profundidad el entrenamiento de las redes neuronales.

Colaboración en equipo

Comparta experimentos, depure arquitecturas neuronales, acceda a datos comunes dentro de almacenes de objetos alojados, y envíe modelos versionados a su equipo para que puedan alimentar los datos en un flujo de entrenamiento continuo.

Imágenes de oferta de productos

Utilice su infraestructura favorita

En Watson Studio, las infraestructuras populares vienen previamente instaladas y optimizadas para garantizar el rendimiento de Watson Machine Learning Service, y resulta sencillo añadir dependencias personalizadas a sus entornos. Pruebe Watson Studio ahora para poder centrarse únicamente en sus tareas; IBM se encargará de sus entornos.

Explore Watson Studio →

Tutoriales y casos de uso

Utilice un cuaderno, Keras y TensorFlow para crear un modelo de lenguaje para la generación de texto

¿Cómo afronta actos fraudulentos, tales como reseñas de productos? Utilizando los mismos modelos generativos que los están creando. Este patrón de código explica cómo entrenar un modelo de deep learning en un cuaderno mediante Keras y TensorFlow. Utilizando datos descargados de Yelp, aprenderá a instalar TensorFlow y Keras, a entrenar un modelo de lenguaje de deep learning, y a generar nuevas reseñas de restaurantes. Aunque el alcance de este patrón de código se limita a una introducción a la generación de texto, proporciona una base sólida para aprender a crear un modelo de lenguaje.

Ir a la guía de aprendizaje

Deep Learning

Cree un reconocedor de dígitos escritos a mano en Watson Studio y PyTorch

Reconocer los números escritos a mano es una habilidad sencilla y cotidiana para los humanos, pero puede suponer un reto importante para las máquinas. Ahora esto está cambiando, con el avance de machine learning y la inteligencia artificial. Existen aplicaciones bancarias móviles que pueden escanear cheques escritos a mano al instante, y software de contabilidad capaz de extraer importes de dólares de miles de contratos en minutos. Si está interesado en saber cómo funciona todo esto, siga este patrón de código y le guiaremos por los pasos a seguir para crear un sencillo reconocedor de dígitos escritos a mano, utilizando Watson Studio y PyTorch.

Ir a la guía de aprendizaje

Cree un reconocedor de dígitos escritos a mano en Watson Studio y PyTorch

Cómo empezar con deep learning

Empiece a ejecutar sus experimentos de deep learning ahora.