Veröffentlicht am: Sep 8, 2022
Amazon SageMaker bietet eine Suite an integrierten Algorithmen, vortrainierten Modellen und vorgefertigten Lösungsvorlagen, mit denen Datenwissenschaftler und Machine Learning Practitioners schnell mit dem Trainieren und Bereitstellen von Machine-Learning-Modellen beginnen können. Diese Algorithmen und Modelle können sowohl für Supervised (überwachtes) als auch Unsupervised (unüberwachtes) Machine Learning verwendet werden. Sie können verschiedene Arten von Eingabedaten verarbeiten, darunter tabellarische Daten, Bild und Text.
Ab heute bietet Amazon SageMaker einen neuen integrierten Algorithmus zur Bildklassifizierung: Bildklassifizierung - TensorFlow. Dabei handelt es sich um einen überwachten Lernalgorithmus, der das Transfer-Lernen für viele vortrainierte Modelle unterstützt, die in TensorFlow Hub verfügbar sind. Der Algorithmus nimmt ein Bild als Eingabe und gibt die Wahrscheinlichkeit für jede der Klassenbezeichnungen aus. Diese vortrainierten Modelle können mit Hilfe des Transfer-Lernens fein abgestimmt werden, selbst wenn keine große Anzahl von Trainingsbildern zur Verfügung steht. Der Algorithmus ist sowohl über die integrierten Algorithmen von SageMaker als auch über die JumpStart-Benutzeroberfläche von SageMaker in SageMaker Studio verfügbar.
Der Bildklassifizierungs-TensorFlow in Amazon SageMaker bietet Transfer-Lernen auf vielen vortrainierten Modellen, die im TensorFlow Hub verfügbar sind. Beim Machine Learning wird die Fähigkeit, die Trainingsergebnisse eines Modells zur Erstellung eines anderen Modells zu nutzen, als Transferlernen bezeichnet. Entsprechend der Anzahl der Klassenbezeichnungen in Ihren Trainingsdaten wird eine Klassifizierungsschicht an das vortrainierte TensorFlow-Hub-Modell angehängt. Die Klassifizierungsschicht besteht aus einer Dropout-Schicht und einer dichten, vollständig verknüpften Schicht mit 2-Norm-Regularisierer, die mit Zufallsgewichten initialisiert wird. Das Modelltraining verfügt über Hyperparameter für die Dropout-Rate der Dropout-Schicht und einen L2-Regulierungsfaktor für die dichte Schicht. Anschließend kann entweder das gesamte Netz, einschließlich des vortrainierten Modells, oder nur die oberste Klassifizierungsschicht anhand der neuen Trainingsdaten feinabgestimmt werden. Der Algorithmus bietet eine breite Palette von Trainings-Hyperparametern für die Feinabstimmung anhand Ihres eigenen Datensatzes.
Um zu lernen, wie Sie diesen Algorithmus verwenden, lesen Sie Bildklassifizierung - TensorFlow in der AWS-Dokumentation sowie das Beispiel-Notebook Einführung zu SageMaker TensorFlow - Bildklassifizierung. Ausführlichere Erläuterungen zur Verwendung dieser Algorithmen finden Sie in den Beiträgen zum Transferlernen für TensorFlow-Bildklassifizierungsmodelle im Amazon SageMaker-Blog.
All diese Algorithmen können in allen Regionen verwendet werden, in denen Amazon SageMaker verfügbar ist. Um mit diesen neuen Modellen auf SageMaker zu beginnen, lies dir die Dokumentation durch.