Czym jest głębokie uczenie?

Korzystając z oferowanej przez IBM w ramach produktu IBM Watson Studio usługi głębokiego uczenia, która jest przeznaczona głównie do eksperymentów, analitycy danych mogą projektować sieci neuronowe za pomocą narzędzi wizualnych i skalować przebiegi treningu, a przy tym płacić jedynie za rzeczywiście wykorzystane zasoby dzięki funkcji ich automatycznego przydzielania. Procesor GPU NVIDIA Tesla V100 został zoptymalizowany pod kątem środowisk produkcyjnych i pozwala na skalowanie treningów w wybranej przez Ciebie architekturze głębokiego uczenia, a także łatwe przeprowadzanie późniejszych wdrożeń w chmurze lub na brzegu sieci.

→ Obejrzyj webinarium o głębokim uczeniu (link prowadzi poza serwis ibm.com)

Składowe systemu głębokiego uczenia

Asystent eksperymentów

Rozpocznij i monitoruj eksperymenty związane z treningami wsadowymi, by następnie porównywać wydajność rożnych modeli w czasie rzeczywistym, bez troszczenia się o przesyłanie dzienników i zastosowanie skryptów do wizualizacji wyników. Skup się na projektowaniu sieci neuronowych — zarządzaniem zasobami i ich śledzeniem zajmie się IBM.

Otwartość i elastyczność

Korzystaj ze swoich ulubionych środowisk głębokiego uczenia: Tensorflow, Keras, PyTorch, Caffe i innych. Zarządzaj eksperymentami głębokiego uczenia przy użyciu preferowanych narzędzi: interfejsu wiersza komend (CLI), biblioteki Python lub interaktywnego interfejsu użytkownika.

Elastyczne zasoby GPU

Trenuj sieci neuronowe w trybie równoległym, korzystając z czołowych procesorów GPU NVIDIA Tesla — K80, P100 i V100. Płacisz tylko za faktyczne wykorzystanie. Dzięki automatycznemu przydzielaniu nie musisz pamiętać o zamykaniu instancji treningów w chmurze. Nie musisz zarządzać żadnymi klastrami i kontenerami.

Optymalizacja hiperparametru

Rozwiązanie pozwala skutecznie zautomatyzować wyszukiwanie przestrzeni hiperparametrów, by zmaksymalizować wydajność modelu i do minimum ograniczyć liczbę przebiegów treningowych.

Modeler sieci neuronowych (wersja beta)

Skorzystaj z możliwości wizualnego projektowania sieci neuronowych. Musisz tylko przeciągnąć i upuścić warstwy swojej architektury neuronowej, a następnie skonfigurować je i wdrożyć, korzystając przy tym z najpopularniejszych środowisk głębokiego uczenia.

Zalety głębokiego uczenia

Oszczędność nie tylko samych pieniędzy, ale i czasu

Możesz korzystać z preferowanego przez siebie środowiska IDE i istniejących już przepływów pracy. Dostępność interfejsu CLI, biblioteki Python i rozwiązań REST jest stabilna dzięki wykorzystaniu wizualnych narzędzi do debugowania. Dzięki temu możesz projektować i optymalizować sieci lepiej i szybciej.

Inteligentne analizy na żądanie

Dzięki wykorzystaniu zarządzanych treningów masz czas, by skupić się na zaprojektowaniu optymalnych struktur sieci neuronowej. Zasoby treningowe są przechowywane do późniejszego wykorzystania. Dzięki automatycznej alokacji płacisz tylko za zasoby obliczeniowe wymagane przez konkretne zadanie.

Zaufana infrastruktura chmury

Rozwiązanie jest zoptymalizowane pod kątem środowisk produkcyjnych klasy korporacyjnej i działa w tej samej infrastrukturze, w której są udostępnianie kognitywne usługi IBM Watson.

Wykresy zamiast plików dziennika

Zapomnij o dziennikach tekstowych. Możesz stosować nakładki z wykresami dokładności i strat, które pozwalają na śledzenie tych wskaźników w czasie rzeczywistym, a także na wyświetlanie i modelowanie hiperparametrów w celu pogłębionej analizy treningu, który przechodzą sieci neuronowe.

Współpraca zespołowa

W udostępnianych składnicach obiektów możesz dzielić się eksperymentami, debugować architektury neuronowe, a następnie przesyłać ich konkretne wersje swojemu zespołowi, by ułatwić dostarczanie danych do ciągłego przepływu samouczenia.

Obrazy oferty produktów

Korzystaj z ulubionego środowiska

W Watson Studio, popularne środowiska czekają na Ciebie gotowe do użytku i zoptymalizowane pod kątem wydajnego współdziałania z rozwiązaniem Watson Machine Learning Service. Oprócz tego do swoich infrastruktur możesz też z łatwością dodawać niestandardowe zależności. Wypróbuj Watson Studio, by skupić się na swojej pracy — zarządzaniem środowiskami zajmie się IBM.

Poznaj Watson Studio →

Kursy i przypadki użycia

Użyj notatnika oraz rozwiązań Keras i TensorFlow, by stworzyć model języka do generowania tekstu

Jak radzić sobie z oszustwami, na przykład z fałszywymi recenzjami produktów? Wykorzystując te same modele generujące, które je tworzą. Ten schemat kodu wyjaśnia, w jaki sposób za pomocą rozwiązań Keras i TensorFlow wytrenować w notatniku bazujący na głębokim uczeniu model języka. Pobierz dane z serwisu Yelp, by dowiedzieć się, jak zainstalować rozwiązania TensorFlow i Keras, a następnie wytrenować model języka bazujący na głębokim uczeniu i wygenerować nowe opinie o restauracji. Choć proponowany schemat kodu pozwala jedynie na zrozumienie podstawowych zasad generowania tekstu, jest on jednocześnie solidną bazą do dalszej nauki tworzenia modeli języka.

Przejdź do kursu

Deep Learning

Korzystając z rozwiązań Watson Studio i PyTorch, opracuj mechanizm rozpoznawania znaków zapisanych odręcznie

Odczytywanie zapisanych odręcznie liczb przychodzi nam bez trudu — dla maszyny może to być natomiast spory problem. Wraz z rozwojem uczenia maszynowego i sztucznej inteligencji to się jednak zmienia. Są już mobilne aplikacje bankowe, które błyskawicznie skanują odręcznie wypisane czeki, i oprogramowanie księgowe w kilka minut wyodrębniające z tysięcy umów kwoty podane w dolarach. Jeśli chcesz wiedzieć, jak to możliwe, zapoznaj się z przedstawionym dalej schematem kodu, który zawiera poszczególne etapy tworzenia za pomocą rozwiązań Watson Studio i PyTorch prostego mechanizmu rozpoznawania znaków zapisanych odręcznie.

Przejdź do kursu

Korzystając z rozwiązań Watson Studio i PyTorch, opracuj mechanizm rozpoznawania znaków zapisanych odręcznie

Pierwsze kroki z głębokim uczeniem

Już teraz zacznij przeprowadzać swoje eksperymenty z wykorzystaniem głębokiego uczenia.