Die EfficientNet-Modelle sind eine Familie von Bildklassifizierungsmodellen, die eine hervorragende Genauigkeit erzielen und gleichzeitig kleiner und schneller als andere Modelle sind. EfficientNet-EdgeTpu sind Modelle, die für die effiziente Ausführung auf den Google EdgeTPU-Geräten optimiert sind.
Das Modell in dieser Anleitung basiert auf EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Forscher entwickelten eine neue Technik zur Verbesserung der Modellleistung: Mit einem einfachen, aber hochwirksamen Verbindungskoeffizienten werden die Netzwerktiefe, -breite und -auflösung sorgfältig auf einander abgestimmt.
Die Familie der Modelle von efficientnet-b0
bis efficientnet-b7
kann bei ressourcenbeschränkten Google EdgeTPU-Geräteneine angemessene Genauigkeit der Bildklassifizierung erzielen.
Das in dieser Anleitung verwendete Modell efficientnet-b0
entspricht dem kleinsten Basismodell, während efficientnet-b7
dem leistungsstärksten, aber rechenintensivsten Modell entspricht. In der Anleitung wird gezeigt, wie das Modell mit TPUEstimator trainiert wird.
Lernziele
- Cloud Storage-Bucket zum Speichern der Dataset- und Modellausgabe erstellen
- Bereiten Sie eine Testversion des ImageNet-Datasets vor, die als Dataset fake_imagenet bezeichnet wird.
- Trainingsjob ausführen
- Ausgabeergebnisse überprüfen
Kosten
In dieser Anleitung werden die folgenden kostenpflichtigen Komponenten von Google Cloud verwendet:
- Compute Engine
- Cloud TPU
- Cloud Storage
Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen.
Hinweis
Bevor Sie mit dieser Anleitung beginnen, prüfen Sie, ob Ihr Google Cloud-Projekt ordnungsgemäß eingerichtet ist.
- Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.
-
Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.
-
Die Abrechnung für das Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für ein Projekt aktiviert ist.
-
Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.
-
Die Abrechnung für das Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für ein Projekt aktiviert ist.
In dieser Anleitung werden kostenpflichtige Komponenten der Google Cloud verwendet. Rufen Sie die Seite mit den Cloud TPU-Preisen auf, um Ihre Kosten abzuschätzen. Denken Sie daran, nicht mehr benötigte Ressourcen zu bereinigen, um unnötige Kosten zu vermeiden.
Ressourcen einrichten
Dieser Abschnitt enthält Informationen zum Einrichten von Cloud Storage-, VM- und Cloud TPU-Ressourcen für Anleitungen.
Öffnen Sie ein Cloud Shell-Fenster.
Erstellen Sie eine Variable für Ihre Projekt-ID.
export PROJECT_ID=project-id
Konfigurieren Sie die Google Cloud-Befehlszeile für das Projekt, in dem Sie Cloud TPU erstellen möchten.
gcloud config set project ${PROJECT_ID}
Wenn Sie diesen Befehl zum ersten Mal in einer neuen Cloud Shell-VM ausführen, wird die Seite
Authorize Cloud Shell
angezeigt. Klicken Sie aufAuthorize
unten auf der Seite, damitgcloud
GCP API-Aufrufe mit Ihren Anmeldedaten durchführen kann.Erstellen Sie ein Dienstkonto für das Cloud TPU-Projekt.
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID
Der Befehl gibt ein Cloud TPU-Dienstkonto im folgenden Format zurück:
service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
Erstellen Sie mit dem folgenden Befehl einen Cloud Storage-Bucket:
gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 -b on gs://bucket-name
Dieser Cloud Storage-Bucket speichert die Daten, die Sie zum Trainieren Ihres Modells verwenden, sowie die Trainingsergebnisse. Mit dem Befehl
gcloud compute tpus execution-groups
in dieser Anleitung werden Standardberechtigungen für das Cloud TPU-Dienstkonto eingerichtet. Wenn Sie weitere Berechtigungen benötigen, können Sie die Berechtigungen auf Zugriffsebene anpassen.Der Bucket-Speicherort muss sich in derselben Region wie die virtuelle Maschine (VM) und der TPU-Knoten befinden. VMs und TPU-Knoten befinden sich in bestimmten Zonen, die Untergruppen innerhalb einer Region sind.
Starten Sie die für diese Anleitung erforderlichen Compute Engine- und Cloud TPU-Ressourcen mit dem Befehl
gcloud compute tpus execution-groups
.gcloud compute tpus execution-groups create \ --vm-only \ --name=efficientnet-tutorial \ --zone=europe-west4-a \ --disk-size=300 \ --machine-type=n1-standard-8 \ --tf-version=1.15.5
Beschreibung der Befehls-Flags
vm-only
- Erstellen Sie nur die Compute Engine-VM, aber keine Cloud TPU.
name
- Der Name der zu erstellenden Cloud TPU.
zone
- Die Zone, in der Sie die Cloud TPU erstellen möchten.
disk-size
- Die Größe des Laufwerks in GB der VM, die mit dem Befehl
gcloud
erstellt wurde. machine-type
- Der Maschinentyp der zu erstellenden Compute Engine-VM.
tf-version
- Die Version von TensorFlow
gcloud
wird auf der VM installiert.
Weitere Informationen zum Befehl
gcloud
finden Sie in der gcloud-Referenz.Wenn Sie dazu aufgefordert werden, drücken Sie auf y, um Ihre Cloud TPU-Ressourcen zu erstellen.
Wenn der Befehl
gcloud compute tpus execution-groups
ausgeführt wurde, prüfen Sie, ob die Shell-Eingabeaufforderung vonusername@projectname
inusername@vm-name
geändert wurde. Diese Änderung bedeutet, dass Sie jetzt bei Ihrer Compute Engine-VM angemeldet sind.gcloud compute ssh efficientnet-tutorial --zone=europe-west4-a
Ab jetzt bedeutet das Präfix
(vm)$
, dass Sie den Befehl in der Compute Engine-VM-Instanz ausführen sollten.
Daten vorbereiten
Richten Sie die folgenden Umgebungsvariablen ein und ersetzen Sie bucket-name durch den Namen Ihres Cloud Storage-Buckets:
Erstellen Sie eine Umgebungsvariable für Ihren Bucket-Namen. Ersetzen Sie bucket-name durch Ihren Bucket-Namen.
(vm)$ export STORAGE_BUCKET=gs://bucket-name
Erstellen Sie einige zusätzliche Umgebungsvariablen.
(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/efficientnet (vm)$ export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet (vm)$ export TPU_NAME=efficientnet-tutorial (vm)$ export PYTHONPATH=$PYTHONPATH:/usr/share/tpu/models
Die Trainingsanwendung erwartet, dass Ihre Trainingsdaten in Cloud Storage verfügbar sind. Die Trainingsanwendung verwendet auch Ihren Cloud Storage-Bucket, um während des Trainings Prüfpunkte zu speichern.
EfficientNet-Modell mit fake_imagenet trainieren und evaluieren
ImageNet ist eine Bilddatenbank. Die Bilder in der Datenbank sind hierarchisch angeordnet, wobei jeder Knoten der Hierarchie durch Hunderte und Tausende von Bildern dargestellt wird.
In dieser Anleitung wird eine Demoversion des vollständigen ImageNet-Datasets verwendet, die als fake_imagenet bezeichnet wird. Wenn Sie die Anleitung mit dieser Demoversionen durcharbeiten, können Sie den Speicher- und Zeitaufwand reduzieren, der normalerweise mit dem Ausführen eines Modells für die gesamte ImageNet-Datenbank verbunden ist.
Das Dataset "fake_imagenet" befindet sich an diesem Speicherort in Cloud Storage:
gs://cloud-tpu-test-datasets/fake_imagenet
Das Dataset "fake_imagenet" dient nur zum Verständnis, wie eine Cloud TPU verwendet wird und wie die End-to-End-Leistung validiert wird. Die Genauigkeitszahlen und das gespeicherte Modell sind nicht aussagekräftig.
Informationen zum Herunterladen und Verarbeiten des vollständigen ImageNet-Datasets finden Sie unter Das ImageNet-Dataset herunterladen, vorverarbeiten und hochladen.
Starten Sie eine Cloud TPU-Ressource.
(vm)$ gcloud compute tpus execution-groups create \ --tpu-only \ --name=efficientnet-tutorial \ --zone=europe-west4-a \ --disk-size=300 \ --machine-type=n1-standard-8 \ --tf-version=1.15.5
Beschreibung der Befehls-Flags
tpu-only
- Erstellt nur die Cloud TPU und keine Compute Engine.
name
- Der Name der zu erstellenden Cloud TPU.
zone
- Die Zone, in der Sie die Cloud TPU erstellen möchten.
disk-size
- Die Größe des Laufwerks in GB der VM, die mit dem Befehl
gcloud
erstellt wurde. machine-type
- Der Maschinentyp der zu erstellenden Compute Engine-VM.
tf-version
- Die Version von TensorFlow
gcloud
wird auf der VM installiert.
Navigieren Sie zum Modellverzeichnis:
(vm)$ cd /usr/share/tpu/models/official/efficientnet/
Führen Sie das Trainingsskript aus.
(vm)$ python3 main.py \ --tpu=${TPU_NAME} \ --data_dir=${DATA_DIR} \ --model_dir=${MODEL_DIR} \ --model_name='efficientnet-b0' \ --skip_host_call=true \ --train_batch_size=2048 \ --train_steps=1000
Beschreibung der Befehls-Flags
tpu
- Verwendet den in der TPU-Variablen angegebenen Namen.
data_dir
- Gibt den Cloud Storage-Pfad für die Trainingseingabe an. In diesem Beispiel ist dafür das Dataset „fake_imagenet“ festgelegt.
model_dir
- Der Cloud Storage-Pfad, in dem während des Modelltrainings Prüfpunkte und Zusammenfassungen gespeichert werden. Sie können einen vorhandenen Ordner wiederverwenden, um zuvor generierte Prüfpunkte zu laden und zusätzliche Prüfpunkte zu speichern, sofern die vorherigen Prüfpunkte mit einer Cloud TPU derselben Größe und TensorFlow-Version erstellt wurden.
model_name
- Der Name des zu trainierenden Modells. Beispiel:
efficientnet
skip_host_call
- Legen Sie
true
fest, damit das Skript denhost_call
überspringt, der bei jedem Trainingsschritt ausgeführt wird. Wird im Allgemeinen zum Erstellen von Trainingszusammenfassungen (Trainingsverlust, Lernrate usw.) verwendet. Beiskip_host_call=false
kann es zu einem Leistungsabfall kommen, wenn die Funktionhost_call
langsam ist und nicht mit der TPU-seitigen Berechnung Schritt halten kann. train_batch_size
- Die Trainings-Batchgröße.
train_steps
- Die Anzahl der Schritte für das Training. Der Standardwert beträgt 218.949 Schritte. Das sind ungefähr 350 Epochen mit einer Batchgröße von 2.048. Dieses Flag sollte entsprechend dem Flag-Wert
train_batch_size
angepasst werden.
Dadurch wird das EfficientNet-Modell (Variante efficientnet-b0
) nur für 1.000 Schritte trainiert, da es das fiktive ImageNet-Dataset verwendet. Wenn Sie das komplette ImageNet-Dataset verwenden, können Sie mit dem folgenden Befehl für die Konvergenz trainieren:
(vm)$ python3 main.py \
--tpu=${TPU_NAME} \
--data_dir=${DATA_DIR} \
--model_dir=${MODEL_DIR} \
--model_name='efficientnet-b0' \
--skip_host_call=true \
--train_batch_size=2048 \
--train_steps=218948
Dadurch wird das EfficientNet-Modell für 350 Epochen trainiert und nach der Verarbeitung eines Datenbatches bewertet. Mit den angegebenen Flags sollte das Modell in etwa 23 Stunden trainiert werden. Diese Einstellungen sollten eine Top-1-Genauigkeit von ungefähr 76,5 % für das ImageNet-Validierungs-Dataset erreichen. Der beste Modellprüfpunkt und das entsprechende Bewertungsergebnis befinden sich im Ordner archive
des Modellverzeichnisses: ${STORAGE_BUCKET}/efficientnet/archive
.
Modell mit Cloud TPU Pods skalieren
Wenn Sie ein Modell mit Cloud TPU Pods skalieren, können Sie schneller Ergebnisse erzielen. Das vollständig unterstützte Modell kann mit den folgenden Pod-Slices verwendet werden:
- v2-32
- v3-32
Wenn Sie Cloud TPU Pods verwenden, trainieren Sie zuerst das Modell mit einem Pod und verwenden dann ein einzelnes Cloud TPU-Gerät, um das Modell zu bewerten.
Cloud TPU Pods trainieren
Löschen Sie die Cloud TPU-Ressource, die Sie zum Trainieren des Modells auf einem einzelnen Gerät erstellt haben.
(vm)$ gcloud compute tpus execution-groups delete efficientnet-tutorial \ --zone=europe-west4-a \ --tpu-only
Führen Sie den Befehl
gcloud compute tpus execution-groups
mit dem Parameteraccelerator-type
aus, um den Pod-Slice anzugeben, den Sie verwenden möchten. Der folgende Befehl verwendet beispielsweise einen v3-32-Pod-Slice.(vm)$ gcloud compute tpus execution-groups create --tpu-only \ --name=efficientnet-tutorial \ --zone=europe-west4-a \ --accelerator-type=v2-32 \ --tf-version=1.15.5
Beschreibung der Befehls-Flags
tpu-only
- Erstellen Sie nur eine Cloud TPU. Standardmäßig werden mit dem Befehl
gcloud
eine VM und eine Cloud TPU erstellt. name
- Der Name der zu erstellenden Cloud TPU.
zone
- Die Zone, in der Sie die Cloud TPU erstellen möchten.
accelerator-type
- Der Typ der zu erstellenden Cloud TPU.
tf-version
- Die Version von TensorFlow
gcloud compute tpus execution-groups
wird auf der VM installiert.
Erstellen Sie eine Umgebungsvariable für Ihren TPU-Namen.
(vm)$ export TPU_NAME=efficientnet-tutorial
Aktualisieren Sie das Verzeichnis
MODEL_DIR
, um die Trainingsdaten zu speichern.(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/efficientnet-tutorial
Modell trainieren
(vm)$ python3 main.py \ --tpu=${TPU_NAME} \ --data_dir=${DATA_DIR} \ --model_dir=${MODEL_DIR} \ --model_name='efficientnet-b3' \ --skip_host_call=true \ --mode=train \ --train_steps=1000 \ --train_batch_size=4096 \ --iterations_per_loop=100
Beschreibung der Befehls-Flags
tpu
- Der Name der Cloud TPU.
data_dir
- Der Cloud Storage-Pfad für die Trainingseingabe. In diesem Beispiel ist er auf das Dataset "fake_imagenet" festgelegt.
model_dir
- Der Cloud Storage-Pfad, in dem während des Modelltrainings Prüfpunkte und Zusammenfassungen gespeichert werden. Sie können einen vorhandenen Ordner wiederverwenden, um zuvor generierte Prüfpunkte zu laden und zusätzliche Prüfpunkte zu speichern, sofern die vorherigen Prüfpunkte mit einer Cloud TPU derselben Größe und TensorFlow-Version erstellt wurden.
model_name
- Der Name des zu trainierenden Modells.
skip_host_call
- Legen Sie
true
fest, damit das Skript denhost_call
überspringt, der bei jedem Trainingsschritt ausgeführt wird. Wird im Allgemeinen zum Erstellen von Trainingszusammenfassungen (Trainingsverlust, Lernrate usw.) verwendet. Beiskip_host_call=false
kann es zu einem Leistungsabfall kommen, wenn die Funktionhost_call
langsam ist und nicht mit der TPU-seitigen Berechnung Schritt halten kann. mode
- Entweder
train_and_eval
,train
odereval
.train_and_eval
trainiert und bewertet das Modell.train
trainiert das Modell.eval
wertet das Modell aus. train_steps
- Gibt die Anzahl der Trainingsschritte an.
train_batch_size
- Die Trainings-Batchgröße.
iterations_per_loop
- Die Anzahl der Trainingsschritte, die auf der TPU ausgeführt werden sollen, bevor Messwerte an die CPU gesendet werden.
Dieser Befehl trainiert das EfficientNet-Modell (Variante efficientnet-b0
) nur für 1.000 Schritte, da das fiktive ImageNet-Dataset verwendet wird. Wenn Sie das komplette ImageNet-Dataset verwenden, können Sie mit dem folgenden Befehl für die Konvergenz trainieren:
(vm)$ python3 main.py \
--tpu=${TPU_NAME} \
--data_dir=${DATA_DIR} \
--model_dir=${MODEL_DIR} \
--model_name='efficientnet-b3' \
--skip_host_call=true \
--mode=train \
--train_steps=109474 \
--train_batch_size=4096 \
--iterations_per_loop=100
Dieser Befehl trainiert das EfficientNet-Modell (Variante efficientnet-b3
) über 350 Epochen. Das Modell sollte eine Genauigkeit von 81,1 % für das ImageNet-Entwicklungs-Dataset erreichen, das in etwa 20 Stunden fertig sein sollte. Der beste Modellprüfpunkt und das entsprechende Bewertungsergebnis befinden sich im Ordner archive
des Modellverzeichnisses: ${STORAGE_BUCKET}/efficientnet/archive
.
Modell bewerten
In dieser Reihe von Schritten verwenden Sie Cloud TPU, um das oben trainierte Modell anhand der fake_imagenet-Bewertungsdaten zu bewerten.
Löschen Sie die Cloud TPU-Ressource, die Sie zum Trainieren des Modells auf einem Pod erstellt haben.
(vm)$ gcloud compute tpus execution-groups delete efficientnet-tutorial \ --tpu-only \ --zone=europe-west4-a
Starten Sie eine Cloud TPU v2-8, um die Bewertung auszuführen. Verwenden Sie denselben Namen wie für die Compute Engine-VM, die immer noch ausgeführt werden sollte.
(vm)$ gcloud compute tpus execution-groups create --tpu-only \ --name=efficientnet-tutorial \ --accelerator-type=v2-8 \ --zone=europe-west4-a \ --tf-version=1.15.5
Beschreibung der Befehls-Flags
tpu-only
- Erstellen Sie nur eine Cloud TPU. Standardmäßig werden mit dem Befehl
gcloud
eine VM und eine Cloud TPU erstellt. name
- Der Name der zu erstellenden Cloud TPU.
accelerator-type
- Der Typ der zu erstellenden Cloud TPU.
zone
- Die Zone, in der Sie die Cloud TPU erstellen möchten.
tf-version
- Die Version von TensorFlow
gcloud
wird auf der VM installiert.
Erstellen Sie eine Umgebungsvariable für Ihren TPU-Namen.
(vm)$ export TPU_NAME=efficientnet-tutorial
Führen Sie die Modellbewertung aus. Fügen Sie dieses Mal das Flag
mode
hinzu und setzen Sie es aufeval
.(vm)$ python3 main.py \ --tpu=${TPU_NAME} \ --data_dir=${DATA_DIR} \ --model_dir=${MODEL_DIR} \ --model_name='efficientnet-b3' \ --skip_host_call=true \ --mode=eval
Beschreibung der Befehls-Flags
tpu
- Verwendet den in der TPU-Variablen angegebenen Namen.
data_dir
- Gibt den Cloud Storage-Pfad für die Trainingseingabe an. In diesem Beispiel ist er auf das Dataset "fake_imagenet" festgelegt.
model_dir
- Der Cloud Storage-Pfad, in dem während des Modelltrainings Prüfpunkte und Zusammenfassungen gespeichert werden. Sie können einen vorhandenen Ordner wiederverwenden, um zuvor generierte Prüfpunkte zu laden und zusätzliche Prüfpunkte zu speichern, sofern die vorherigen Prüfpunkte mit einer Cloud TPU derselben Größe und TensorFlow-Version erstellt wurden.
model_name
- Der Name des zu trainierenden Modells. Zum Beispiel
efficientnet
usw. skip_host_call
- Legen Sie
true
fest, damit das Skript denhost_call
überspringt, der bei jedem Trainingsschritt ausgeführt wird. Wird im Allgemeinen zum Erstellen von Trainingszusammenfassungen (Trainingsverlust, Lernrate usw.) verwendet. Beiskip_host_call=false
kann es zu einem Leistungsabfall kommen, wenn die Funktionhost_call
langsam ist und nicht mit der TPU-seitigen Berechnung Schritt halten kann. mode
- Wenn
train_and_eval
festgelegt ist, wird dieses Modell trainiert und bewertet. Wenn dieses Skript aufexport_only
gesetzt ist, exportiert es ein gespeichertes Modell.
Dadurch wird eine Ausgabe generiert, die etwa so aussieht:
Eval results: { 'loss': 7.532023, 'top_1_accuracy': 0.0010172526, 'global_step': 100, 'top_5_accuracy': 0.005065918 } Elapsed seconds: 88
Bereinigen
Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.
Trennen Sie die Verbindung zur Compute Engine-Instanz, sofern noch nicht geschehen:
(vm)$ exit
Die Eingabeaufforderung sollte nun
username@projectname
lauten und angeben, dass Sie sich in Cloud Shell befinden.Verwenden Sie in Cloud Shell den folgenden Befehl, um Ihre Compute Engine-VM und Cloud TPU zu löschen:
$ gcloud compute tpus execution-groups delete efficientnet-tutorial \ --zone=europe-west4-a
Prüfen Sie, ob die Ressourcen gelöscht wurden. Führen Sie dazu
gcloud compute tpus execution-groups list
aus. Der Löschvorgang kann einige Minuten dauern. Eine Antwort wie die folgende gibt an, dass Ihre Instanzen erfolgreich gelöscht wurden.$ gcloud compute tpus execution-groups list \ --zone=europe-west4-a
Sie sollten eine leere Liste der TPUs sehen, die in etwa so aussieht:
NAME STATUS
Löschen Sie Ihren Cloud Storage-Bucket wie unten gezeigt mit
gsutil
. Ersetzen Sie bucket-name durch den Namen des Cloud Storage-Buckets.$ gsutil rm -r gs://bucket-name
Weitere Informationen
In den Cloud TPU-Anleitungen von TensorFlow wird das Modell in der Regel mithilfe eines Beispiel-Datasets trainiert. Die Ergebnisse dieser Schulung können nicht für Inferenzen verwendet werden. Wenn Sie ein Inferenzmodell verwenden möchten, können Sie die Daten mit einem öffentlich verfügbaren Dataset oder Ihrem eigenen Dataset trainieren. TensorFlow-Modelle, die auf Cloud TPUs trainiert werden, benötigen im Allgemeinen Datasets im Format TFRecord.
Sie können das Beispiel für das Dataset-Konvertierungstool verwenden, um ein Bildklassifizierungs-Dataset in das TFRecord-Format zu konvertieren. Wenn Sie kein Bildklassifizierungsmodell verwenden, müssen Sie das Dataset selbst in das TFRecords-Format konvertieren. Weitere Informationen finden Sie unter TFRecord und tf.Example
Hyperparameter-Feinabstimmung
Sie können die Hyperparameter des Modells optimieren, um die Leistung des Modells mit Ihrem Dataset zu verbessern. Informationen zu Hyperparametern, die für alle TPU-unterstützten Modelle üblich sind, finden Sie auf GitHub. Informationen zu modellspezifischen Hyperparametern finden Sie im Quellcode für die einzelnen Modelle. Weitere Informationen zur Hyperparameter-Abstimmung finden Sie unter Übersicht über Hyperparameter-Abstimmung, Hyperparameter-Abstimmungsdienst und Hyperparameter abstimmen.
Inferenz
Sobald Ihr Modell trainiert ist, können Sie es für Inferenz (auch als Vorhersage bezeichnet) verwenden. AI Platform ist eine cloudbasierte Lösung, mit der Sie Modelle für maschinelles Lernen entwickeln, trainieren und bereitstellen können. Sobald ein Modell bereitgestellt wurde, können Sie den AI Platform Prediction-Dienst verwenden.