Apache MXNet
MXNet spracúval neurónové siete pomocou tensorových operácií a výpočtových grafov. Apache ho vedie v archíve ukončených projektov.
Príklad z pracovného postupu
Po prenose klasifikátora na nový runtime sa mení mierka poslednej vrstvy. Ak jedna aplikácia očakáva skóre pred normalizáciou a druhá pravdepodobnosť, rovnaké triedy ešte nemusia znamenať porovnateľné prahy.
Ako výsledok overiť
Pri prenose do iného runtime porovnávame výstupy vrstiev na rovnakých vstupoch s dohodnutou numerickou toleranciou.
Reprodukovateľnosť výpočtu
Verzia knižnice, predspracovanie a poradie vstupných atribútov sú súčasťou správania výsledného výpočtu. Na opätovné použitie preto uchovávame aj schému, jednotky a malú sadu overených vstupov s očakávanými výstupmi.
Pri prenose medzi prostrediami zohľadníme rozdiely numerických typov a toleranciu vhodnú pre konkrétnu úlohu. Ak malá zmena čísla preklopí rozhodnutie na druhej strane prahu, praktický dopad môže byť významný aj pri malej priemernej chybe.
Model zo staršieho prostredia musí mať popísané aj transformačné kroky
Pri klasifikácii fotografie môže výsledok závisieť od spôsobu zmenšenia obrazu, orezania okrajov aj poradia farebných kanálov. Tieto úpravy sa nemusia nachádzať priamo v exportovaných váhach. V historickej aplikácii s MXNetom preto sledujeme cestu vstupu až pred prvú výpočtovú operáciu.
Po prenose použijeme nápadne nesúmernú testovaciu fotografiu a uložený medzivýsledok z pôvodného spracovania. Číselnú odchýlku tak môžeme vysvetliť aj v prípade, keď koncový názov triedy pri oboch verziách zatiaľ vyšiel rovnako.
Otázky z praxe
Čo znamená zaradenie MXNet do archívu Apache Attic?
Pri staršej aplikácii to znamená potrebu zohľadniť ukončenú správu projektu pri plánovaní údržby. Zistíme, aká verzia, operátory a prostredie sú nevyhnutné pre existujúci výpočet. Potom posúdime izoláciu a prechod na udržiavaný cieľ na základe skutočne používaných modelov.
Ako nájsť prvé miesto rozdielu po prevode siete?
Do oboch implementácií pošleme identicky pripravený vstup a podľa dostupnosti porovnáme vybrané medzivýsledky pred záverečnou predikciou. Rozdiel môže vzniknúť už pri poradí dimenzií alebo normalizácii. Takéto sledovanie je presnejšie než hľadať chybu iba z odlišnej triedy na poslednom výstupe.
Čo keď sa výstupy líšia len o malé číslo?
Najprv stanovíme vhodnú numerickú toleranciu a potom skontrolujeme obchodný prah. Ak hranica rozhodnutia leží medzi oboma hodnotami, malý rozdiel môže zmeniť výsledok schválenia. Kontrolná sada preto obsahuje nielen ľahké prípady s vysokým skóre, ale aj položky tesne pri rozhodovacej hranici.
Súvisiace stránky
-
Caffe
Caffe opisuje architektúru siete pomocou vrstiev a oddeľuje jej definíciu od naučených váh.
Otvoriť -
TensorFlow
TensorFlow poskytuje operácie s tenzormi, automatické derivovanie a mechanizmy uloženia modelu.
Otvoriť -
Strojové učenie
Model strojového učenia môže triediť doklady alebo správy. Na označenej vzorke porovnáme chyby s ručným postupom a nastavíme, ktoré prípady preverí človek.
Otvoriť