Publié le: Sep 8, 2022
Amazon SageMaker propose une suite d'algorithmes intégrés, de modèles pré-entraînés et de modèles de solutions préconçues pour aider les scientifiques des données et les professionnels du machine learning à lancer rapidement l'entraînement et le déploiement de modèles de ML. Ces algorithmes et modèles peuvent servir aussi bien pour l'apprentissage supervisé que l'apprentissage non supervisé. Ils peuvent traiter divers types de données d'entrée, notamment des données tabulaires, des images et du texte.
À partir d'aujourd'hui, Amazon SageMaker intègre un nouvel algorithme pour la classification des images : Image Classification - TensorFlow. Il s'agit d'un algorithme d'apprentissage supervisé qui prend en charge l'apprentissage par transfert pour de nombreux modèles préentraînés disponibles dans le hub TensorFlow. Il utilise une image comme probabilité d'entrée et de sortie pour chacune des étiquettes de classe. Ces modèles préentraînés peuvent être réglés précisément à l'aide de l'apprentissage par transfert, même lorsqu'un grand nombre d'images d'entraînement ne sont pas disponibles. Ils sont disponibles via les algorithmes intégrés de SageMaker, ainsi que via l'interface utilisateur SageMaker JumpStart dans SageMaker Studio.
Image Classification - TensorFlow dans Amazon SageMaker fournit un apprentissage par transfert sur de nombreux modèles préentraînés disponibles dans le hub TensorFlow. En machine learning, la possibilité d'utiliser les résultats d'apprentissage d'un modèle pour produire un autre modèle est appelée apprentissage par transfert. En fonction du nombre d'étiquettes de classe dans vos données d'entraînement, une couche de classification est associée au modèle de hub TensorFlow préentraîné. La couche de classification comporte une couche d'abandon et une couche dense, entièrement connectée, avec un régularisateur à deux normes, qui est initialisée avec des poids aléatoires. L'entraînement du modèle a des hyper-paramètres pour le taux d'abandon de la couche d'abandon et le facteur de régularisation L2 pour la couche dense. Ensuite, soit l'ensemble du réseau, y compris le modèle préentraîné, soit seule la couche de classification supérieure peut être réglée précisément sur les nouvelles données d'apprentissage. L'algorithme fournit une large gamme d'hyperparamètres d'entraînement pour un réglage précis de votre jeu de données personnalisé.
Pour savoir comment utiliser cet algorithme, veuillez consulter la documentation AWS Image Classification - TensorFlow et l'exemple de bloc-notes Introduction à SageMaker TensorFlow - Image Classification. Des explications plus détaillées sur l'utilisation de ces algorithmes sont disponibles dans les blogs suivants dédiés à l'apprentissage par transfert pour les modèles TensorFlow Image Classification dans le blog Amazon SageMaker.
Tous ces algorithmes peuvent être utilisés dans toutes les régions où Amazon SageMaker est disponible. Pour démarrer avec ces nouveaux modèles sur SageMaker, référez-vous à la documentation.