A Custom Vision ismertetése
Az Azure AI Custom Vision szolgáltatással létrehozunk egy gépi tanulási modellt. Tekintsük át, mit érdemes tudni a Custom Vision működéséről. Ezután láthatja a modell létrehozásához használt lépésenkénti folyamatot, az ötlettől a teljes körűen működő modellig!
Mit jelent a gépi tanulás?
Valószínű, hogy hallott már a mi-ről, a gépi tanulásról vagy a mély tanulásról. Azonosítsuk a kifejezéseket, hogy megérthessük, miben különböznek.
Mesterséges intelligencia (AI):: A mesterséges intelligencia az emberi intelligenciát utánzó számítógép programozása. A mesterséges intelligencia magában foglalja a gépi tanulást is. Az AI lényege, hogy géppel utánozza az emberi intelligenciát, de az AI számos különböző technikát kínál. Ez a modul a gépi tanulási módszerre fog koncentrálni.
Gépi tanulás: A gépi tanulás az AI egy részhalmaza. A gépi tanulás technikákkal tanítja be a gépeket a tapasztalatok alapján. A tapasztalatokra tekinthetünk úgy is, mint egy adathalmazra, amely már tartalmazza a helyes és helytelen válaszokat. A gépi tanulás során a számítógép a rendelkezésre álló válaszokat arra használja, hogy azok alapján tökéletesítse az adott feladatok végrehajtásának folyamatát. A gépi tanulás területe magában foglalja a mély tanulást is.
Mély tanulás: A mély tanulás a gépi tanulás egy részhalmaza, amely mesterséges neurális hálózatokon (ANN-eken) alapul. A tanulási folyamat mély, mert az ANN-k több rétegből állnak: bemenetből, kimenetből és rejtett rétegekből. Minden réteg olyan egységeket tartalmaz, amelyek a bemeneti adatokat olyan információkká alakítják át, amelyeket a következő réteg egy adott prediktív tevékenységhez használhat. A neurális hálózati struktúra lehetővé teszi a számítógép számára, hogy saját adatfeldolgozásán keresztül tanuljon.
Amikor létrehozunk egy modellt, megpróbáljuk utánozni az emberi intelligenciát. Az adatokat „tapasztalatként” használva a modellt egy adott feladat vagy funkció elvégzésére tanítjuk be.
Mi az a tudásátadás?
Az Azure AI Custom Vision átviteltanulást használ. A tanulás átadása az a képesség, hogy a korábbi ismereteket használva jobban meg tudja oldani a problémát. Emberként mindig ezt a megközelítést alkalmazzuk a problémamegoldásra. A számítógépeken is új módszereket fedezünk fel.
Az Azure-beli Custom Vision szolgáltatásban a tanulás átvitele úgy működik, hogy hozzáad egy előre betanított modellből álló réteget a neurális hálózathoz. A betanított modell ad nekünk egy kis előnyt, amikor új adatokat használunk a betanításhoz. A képzés egy általános tudásterülettel kezdődik. A rendszer új rétegeket ad hozzá a neurális hálózathoz egy adott probléma megoldásához. Jelen esetben a megoldandó probléma az, hogy hogyan azonosíthatjuk a madárfajokat. Az előre betanított modellel kezdve jobb eredményeket érhetünk el nagy mennyiségű adat hozzáadása nélkül.
Gépi tanulási modell létrehozása
A gépi tanulási modell létrehozásának folyamatának jobb megértéséhez íme a folyamat részletes áttekintése. Ezt a folyamatot egy gépi tanulási modell létrehozásához fogjuk elvégezni.
Irányzott kérdés feltétele. A kérdésünk az, hogy azonosíthatjuk-e egy madárfajt egy madár képéből, hogy segítsünk dokumentálni a madár szokásainak különböző trendjeit és mintáit?
Adatok előkészítése. Van egy adatkészletünk madárképekről a Cornell Lab-ból, amely tiszta és előkészített, ezért ezt a lépést el kell intézni. Ha egy másik modellt hoz létre, meg kell keresnie és elő kell készítenie az adatokat a modell betanításához. Olyan adatokat szeretne keresni, amelyek segítenek megválaszolni az önt érdeklő kérdést.
Az algoritmus kiválasztása. Az Azure Custom Vision szolgáltatása konvolúciós neurális hálózatot (convolutional neural network – CNN) használ, ezért ezzel a lépéssel nem kell foglalkoznunk. A CNN típusú mély tanulást gyakran használják képelemzéshez. Egy előre létrehozott algoritmussal rengeteg időt megspórolunk!
A modell kiválasztása. A Custom Vision szolgáltatás hasznos diagramokkal és adatokkal segít megállapítani, hogy a modellünk elég jól teljesít-e a feltett kérdés megválaszolásához. Ha úgy gondoljuk, hogy a modell kielégítő szinten teljesít, a következő lépésre lépünk: a tesztelésre.
A modell tesztelése ismeretlen (új) adatok használatával. Fontos, hogy a modellt új adatok hozzáadásával teszteljük. Internetes keresést végzünk, és tesztképeket keresünk, hogy lássuk, hogyan teljesít a modell olyan adatokkal, amelyek nem voltak betanítve. A modul későbbi részében ismertetjük, hogy miért fontos így tesztelni.
A modell üzembe helyezése. A Custom Vision néhány lehetőséget kínál a modell üzembe helyezéséhez. Üzembe helyezhetjük a végpontot a modell integrálásához, vagy letöltheti a modellt. Letöltésnél több formátum közül is választhat, így a projekthez legjobban illő módon helyezheti üzembe a modellt. Ebben a modulban bemutatjuk, hogyan használhatja a Custom Vision portálon elérhető gyors üzembe helyezési lehetőséget.
Lássunk hozzá a modell létrehozásához!