Napomena: Sljedeći članak će vam pomoći: Kako koristiti DeepCognition za izradu modela dubokog učenja povlačenjem i ispuštanjem bez kodiranja?
Duboko učenje sastavni je dio umjetne inteligencije i doprinosi u tom području su golemi. S povećanjem istraživanja i razvoja dubinskog učenja, došlo je i do povećanja upotrebe platformi bez koda za duboko učenje. Postoji mnogo platformi koje podržavaju strojno učenje i procese poput vizualizacije podataka, obrade itd. No postoji nekoliko platformi koje se fokusiraju samo na duboko učenje, a jedna od takvih platformi je DeepCognition.
U ovom ćemo članku naučiti nešto o DeepCognitionu i izraditi algoritam koristeći DeepCognition platformu.
Tko su DeepCognition.ai?
DeepCognition je osnovan s ciljem demokratizacije umjetne inteligencije. Stvorili su platformu koja se može koristiti za stvaranje i implementaciju modela dubokog učenja samo klikom na gumbe i bez ikakvog koda.
Problem koji pokušavaju riješiti jest prevladati nedostatak stručnosti u AI-u koji stvara prepreke u organizacijama u usvajanju AI-a i duboko učenje učiniti dostupnim svima.
Značajke DeepCognition.ai
Neke od korisnih značajki koje nudi ova platforma su:
- Dizajniranje, vizualizacija i obuka modela dubokog učenja bez ikakvog koda. Osigurajte napredne modele koji su prethodno obučeni kao maska RCNN, DenseNet, MobileNet ili izgradite vlastiti prilagođeni model. Poboljšajte sigurnost u AIS-u Podržava AutoML za podešavanje hiperparametara. Jednostavna upotreba platforme putem windows i ubuntu korisnici.
Instalacija DeepCognitiona
Da bismo počeli raditi s platformom, prvo je moramo instalirati. Idite na ovu vezu i prvo kreirajte račun. Platforma je free troškova za sve korisnike. Nakon kreiranja računa vidjet ćete ovu stranicu.
Na temelju operativnog sustava morate odabrati ubuntu ili windows. Nakon što kliknete na ikonu preuzimanje će automatski započeti. Za preuzimanje ovisnosti i otvaranje platforme bit će potrebno nekoliko minuta.
Nakon završetka preuzimanja, kliknite ikonu DeepCognition na radnoj površini i vidjet ćete ovaj okvir.
Ovdje upišite ./dlsctl start kao što je prikazano gore i platforma će se otvoriti nakon provjere dostupnih portova.
Nakon otvaranja platforme možete vidjeti ovu stranicu.
Istraživanje skupa podataka
U samoj platformi dostupni su uobičajeni javni skupovi podataka kao što su MNIST, titanic itd. To možete vidjeti klikom na opciju skupova podataka na desnoj strani.
Možete koristiti javne skupove podataka ili možete učitati vlastite skupove podataka klikom na opciju moji skupovi podataka. Ovdje ćete vidjeti opciju za učitavanje skupova podataka iz vašeg sustava.
Budući da je ovo vodič na platformi, koristit ću javni skup podataka. Za implementaciju ću koristiti skup podataka CIFAR10.
Napravite projekt
Prvi korak ovdje je da kliknete na Project-> New i date naziv i opis svog projekta.
Nakon ovog klika, zelena strelica i vaš projekt će se stvoriti. Nakon toga ćete kliknuti na svoj projekt i moći ćete vidjeti nadzornu ploču koja ima više opcija.
Ovdje je, kao što vidite, odabran skup podataka. Možete promijeniti podjelu vlaka i testiranja i opciju učitavanja skupa podataka jednu po jednu seriju ili sve zajedno. Nakon ovog klika, gumb Dalje i vidjet ćete stranicu za izradu vašeg modela dubokog učenja.
Izgradnja modela
Kao što vidite gore, postoji nekoliko opcija za odabir. Prvo možete odabrati ulazni sloj, zatim konvolucijske slojeve, max-pooling pa čak i temeljne slojeve kao što su ravni i gusti. Ovo je sjajno kada želite izraditi prilagođene modele. Ali da biste iskoristili pravu snagu alata, kliknuti ćete na posljednju ikonu na traci koja će iskočiti na opciju AutoML.
Ovo će automatski dizajnirati neuronsku mrežu za vas kada odredite vrstu ulaza i vrstu izlaza. Zatim kliknite gumb za dizajn i vidjet ćete cijeli model napravljen za vas.
Nevjerojatan dio ovdje je da se kod i kada izgradite model automatski generira za vas.
Dakle, nećete dobiti samo model već i kod za vlastitu upotrebu.
Hiperparametarsko podešavanje
Sljedeći dio prije treninga je podešavanje hiperparametara. Opet, to se događa s velikom lakoćom na platformi.
Kao što vidite, moći ćete postaviti epohe, veličinu serije, optimizator i gubitak. Napravio sam sljedeće promjene koje odgovaraju mom programu.
Trening
Nakon izgradnje modela i postavljanja parametara prema potrebi, možemo prijeći na dio obuke.
Za treniranje modela najprije trebate odabrati CPU ili GPU koji ćete koristiti. Ove značajke dostupne su za free samo na ograničeno vrijeme i možete odabrati ono što je prikladno za projekt.
Odabrao sam 4 GB GPU. Kada završite, kliknite na početak treninga i trening počinje. Možete vidjeti stalne promjene na ekranu kako i kada se trening nastavlja. Ovisno o GPU-u, vrijeme potrebno za dovršetak varirat će.
Nakon što kliknem gumb za početak, ispod možete vidjeti promjene.
Ovaj proces će se nastaviti sve dok se ne završe sve epohe i dok se težine modela ne pohrane automatski.
Nakon završetka obuke vidjet ćete konačnu ocjenu točnosti i gubitak.
Čini se da je ovo dobra točnost za 10 epoha, ali možemo dobiti bolje rezultate s više ugađanja modela.
Rezultati
Nakon uvježbavanja modela moramo vidjeti koliko je model dobro funkcionirao i je li došlo do prekomjernog opremanja.
Da biste to učinili, kliknite odjeljak rezultata i moći ćete vidjeti grafikone u ovom odjeljku.
Možete vidjeti da nema naglog skoka i da nema pretjeranog opremanja modela. Završni dio projekta je zaključivanje modela.
Zaključak
Nakon obuke i dobivanja rezultata provjerit ćemo predviđanja koja je model do sada napravio i steći neke zaključke. Da biste to učinili, kliknite odjeljak zaključivanja i možete odabrati težine modela i kliknuti gumb za početak zaključivanja.
Nakon što je zaključivanje završeno, nakon nekoliko minuta predviđanja se pojavljuju na zaslonu.
Neka su predviđanja pogrešna, ali ima i više točnih predviđanja. Ne samo to, ovdje su prikazane čak i vjerojatnosti predviđanja koja su izlaz iz funkcije softmax.
Možete zadržati te težine i također implementirati svoj projekt s platforme.
Zaključak
U ovom smo članku vidjeli uvod u DeepCognition.ai i korak po korak izgradili cijeli model dubokog učenja bez potrebe da napišemo čak i jednu liniju koda. Ovo je od velike koristi za ne-programere i poslovne analitičare za rad na projektima dubokog učenja s lakoćom i za free troška.
