Cos'è il Deep Learning?

Il servizio di deep learning incentrato sugli esperimenti offerto da IBM all'interno di Watson Studio consente ai data scientist di progettare visivamente le loro reti neurali e offrire scalabilità delle loro sessioni di formazione, mentre per allocazione automatica si intende pagare solo per le risorse utilizzate. Ottimizzato per ambienti di produzione, adatta la tua formazione utilizzando la GPU di NVIDIA® Tesla® V100 con il tuo framework di deep learning preferito e poi implementa facilmente su cloud o sul perimetro.

→  Guarda il webinar sul deep learning

Caratteristiche del Deep Learning

Experiment Assistant

Avvia e monitora gli esperimenti di formazione batch, quindi confronta le prestazioni tra modelli in tempo reale senza preoccuparti dei trasferimenti di log e degli script per visualizzare i risultati. Puoi concentrarti sulla progettazione delle tue reti neurali. Noi gestiremo e terremo traccia dei tuoi asset.

Aperto e flessibile

Usa il tuo framework di deep learning preferito: Tensorflow, Keras, PyTorch, Caffe e altro. Gestisci i tuoi esperimenti di deep learning con gli strumenti che preferisci: CLI (command-line interface), libreria Python o un'interfaccia utente interattiva.

Calcolo GPU elastico

Addestra le reti neurali in parallelo utilizzando le GPU NVIDIA® Tesla® leader di mercato - K80, P100, e V100. Paga solo per ciò che usi. Allocazione automatica significa non doversi più ricordare di arrestare le istanze di formazione cloud. Nessun cluster o contenitore da gestire.

Ottimizzazione iperparametro

Automatizza in modo efficiente la ricerca dello spazio di iperparametro della rete per garantire le migliori prestazioni del modello con il numero minimo di sessioni di formazione.

Neural Network Modeler (beta)

Progetta visivamente le tue reti neurali. Trascina e rilascia i livelli della tua architettura neurale, quindi configura e implementa utilizzando i framework di deep learning più famosi.

Vantaggi del deep learning

Risparmia tempo

Non solo denaro. Usa il tuo IDE preferito e i flussi di lavoro esistenti. La CLI, la libreria python e l'accesso REST vengono bilanciati dagli strumenti di debug visivi. Progetta e ottimizza le tue reti meglio e più rapidamente.

Intelligence on-demand

Formazione gestita significa che puoi concentrarti sulla progettazione di strutture di rete neurali ottimali. Gli asset di formazione vengono memorizzati per te. Per allocazione automatica si intende che si paga solo per le risorse di calcolo richieste dal lavoro.

Infrastruttura cloud affidabile

Ottimizzato per gli ambienti di produzione enterprise e in esecuzione sulla stessa infrastruttura che ospita i servizi cognitivi di IBM Watson.

Grafici, non file di log

Scordati i log di testo. Sovrapponi i grafici di accuratezza e di perdita in tempo reale, quindi tieni traccia e visualizza gli iperparametri del modello per immergerti totalmente nella formazione delle tue reti neurali.

Collaborazione di team

Condividi gli esperimenti, esegui il debug delle architetture neurali, accedi ai dati comuni all'interno degli archivi di oggetti in hosting e inoltra i modelli forniti in versione al tuo team che poi alimenterà i dati in un flusso di apprendimento continuo.

Immagini delle offerte del prodotto

Tutorial e casi di utilizzo

Utilizza un notebook, Keras e TensorFlow per creare un modello di linguaggio per la generazione di testo

Come contrasti le questioni fraudolente come le recensioni dei prodotti?Utilizzando gli stessi modelli generativi che le creano. Questo modello di codice spiega come formare un modello di deep learning in un notebook utilizzando Keras e TensorFlow. Usando i dati scaricati da Yelp, imparerai come installare TensorFlow e Keras, come formare un modello di deep learning e generare nuove recensioni di ristoranti. Sebbene la portata di questo modello di codice sia limitata a un'introduzione alla generazione di testo, fornisce comunque una base solida per imparare a creare un modello di linguaggio.

Vai al tutorial

Deep Learning

Inizia subito con il deep learning

Inizia a eseguire i tuoi esperimenti di deep learning ora.