Cos'è il deep learning?
Il servizio di deep learning incentrato sulla sperimentazione di IBM, all'interno di IBM Watson® Studio, consente ai data scientist di progettare visivamente le loro reti neurali e di ampliare le loro esecuzioni di addestramento, mentre, grazie all'autoallocazione, si pagherà solo per le risorse utilizzate. Ottimizzato per ambienti di produzione, amplia le tue sessioni di addestramento utilizzando la GPU di NVIDIA Tesla V100 con il tuo framework di deep learning preferito e, quindi, implementa facilmente su cloud o sul perimetro. → Guarda il webinar sul deep learning (link esterno a ibm.com)
Funzioni di deep learning
Experiment Assistant
Inizializza e monitora gli esperimenti di addestramento in batch, quindi, confronta le prestazioni dei vari modelli in tempo reale, senza preoccuparti dei trasferimenti di log e degli script per visualizzare i risultati. Tu potrai concentrarti sulla progettazione delle tue reti neurali; IBM gestirà e monitorerà i 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. Autoallocazione significa non dover ricordare di chiudere le istanze di addestramento del cloud. Non si devono gestire cluster o contenitori.
Ottimizzazione iperparametro
Automatizza in modo efficiente la ricerca dello spazio di iperparametro della tua rete, per garantire le migliori prestazioni del modello con il numero minimo di esecuzioni di addestramento.
Neural Network Modeler (beta)
Progetta visivamente le tue reti neurali. Trascina e rilascia i vari livelli della tua architettura neurale, quindi, configura e implementa, utilizzando i più diffusi framework di deep learning.
Vantaggi del deep learning
Risparmia tempo, non solo soldi
Utilizza il tuo IDE preferito e i flussi di lavoro esistenti. L'accesso a CLI, libreria Python e REST è bilanciato da strumenti di debug visivi. Progetta e ottimizza le tue reti meglio e più rapidamente.
Intelligence on demand
Addestramento gestito significa potersi concentrare sulla progettazione di strutture di reti neurali ottimali. Gli asset di addestramento vengono memorizzati per te. Per autoallocazione automatica si intende la possibilità di pagare solo per le risorse di calcolo richieste dal lavoro.
Infrastruttura cloud affidabile
Ottimizzato per gli ambienti di produzione enterprise, è 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 accuracy-and-loss in tempo reale e monitora, quindi, visualizza gli iperparametri del modello per esplorare in modo più approfondito l'addestramento delle tue reti neurali.
Collaborazione di team
Condividi gli esperimenti, esegui il debug delle architetture neurali, accedi a dati comuni all'interno di archivi oggetti in hosting e inoltra modelli con versione al tuo team, aiutandoli a fornire dati in un flusso di apprendimento continuo.
Immagini delle offerte del prodotto
Experiment Assistant
Confronto tra modelli
Neural Network Modeler
Utilizza il tuo framework preferito
In Watson Studio, i framework popolari sono pre-installati e con prestazioni ottimizzate tramite Watson Machine Learning Service ed è facile aggiungere dipendenze personalizzate ai propri ambienti. Prova subito Watson Studio per focalizzarti solo sulla tua attività; IBM si occuperà dei tuoi ambienti.
Tutorial e casi di utilizzo
Utilizza un notebook, Keras e TensorFlow per creare un modello di linguaggio per la generazione di testo
Come contrasti pubblicazioni fraudolente, ad esempio recensioni dei prodotti? Utilizzando gli stessi modelli generativi che le creano. Questo modello di codice spiega come addestrare un modello di linguaggio di deep learning in un notebook, utilizzando Keras e TensorFlow. Utilizzando i dati scaricati da Yelp, si imparerà come installare TensorFlow e Keras, addestrare un modello di linguaggio di deep learning e generare nuove recensioni di ristoranti. Anche se l'ambito di questo modello di codice è limitato ad un'introduzione alla generazione di testo, fornisce una base solida per imparare a creare un modello di linguaggio.
Crea un programma per il riconoscimento di cifre in Watson Studio e PyTorch
Riconoscere numeri scritti a mano è una semplice abilità quotidiana per gli esseri umani — ma può essere una sfida notevole per le macchine. Ora questo sta cambiando, con il progresso del machine learning e dell'Intelligenza Artificiale. Esistono applicazioni di mobile banking in grado di scansionare istantaneamente assegni scritti a mano e software di contabilità che può estrarre somme di dollari da migliaia di contratti in pochi minuti. Se sei interessato a conoscere il modo in cui funzionano tutti questi componenti, segui questo modello di codice mentre mentre ti guidiamo nella procedura di creazione un semplice programma per il riconoscimento di cifre scritte a mano, utilizzando Watson Studio e PyTorch.
