Zautomatyzowane, bardziej efektywne treningi

Oto krótki przegląd frameworków i zasad, których używamy, aby praca OSAI była jak najbardziej wydajna i dokładna zarazem.

Używane przez nas struktury

Usługa OSAI umożliwia korzystanie z predefiniowanych architektur, o których wiadomo, że działają dobrze, takich jak ResNet, AlexNet, VGG, Inception, DenseNet itp. Ogólny schemat dostępnych modeli jest podobny do CNN (Convolutional Neural Networks), gdzie w pierwszym kroku mamy ekstraktor cech, a następnie klasyfikator. To bezpośrednio zmusza nas do zastosowania techniki uczenia transferowego.

Inicjalizacja modelu

Modele sieci neuronowych zazwyczaj inicjowane są losowymi wagami, które po serii epok osiągają określone wartości pozwalające nam poprawnie sklasyfikować obraz wejściowy lub wykryć na nim obiekt. Możliwe jest również zbudowanie modelu bazowego, który później spróbujemy ulepszyć podczas ponownego trenowania.

Dotrenowanie modelu

Dotrenowanie w OSAI pozwala zainicjować wagi na wartościach, które już znamy (np. z poprzedniego treningu) i o których wiemy, że będą dobre do klasyfikacji danego zbioru danych. Dzięki dotrenowaniu nie potrzebujemy ogromnego zbioru danych (setki tysięcy obrazów lub więcej), ponieważ podczas trenowania sieci od zera możemy zadowolić się zaledwie kilkoma tysiącami. Kolejną zaletą, oprócz rozmiaru zbioru danych, jest mniejsza liczba epok dla wag. Przyjmą one dobre wartości do klasyfikacji znacznie szybciej ze względu na ich inicjalizację.

Automatyczne dostrajanie

OSAI zapewnia najnowocześniejsze automatyczne dostrajanie w celu zwiększenia dokładności modelu.

Korzystanie z szablonów

W OSAI możesz tworzyć własne szablony treningowe, aby usprawnić swoją pracę - dowiedz się więcej w sekcji Szablony modeli.