آموزش

در بخش آموزش، شما می‌توانید اطلاعات کلی درباره مدل مشاهده کنید، از جمله تعداد داده‌های آموزشی و آزمایشی.

تصویر بارگذاری شود

بخش آموزش وبسایت

بخش "آموزش" وبسایت شامل سه زیر بخش اصلی است: "مشخصات پروژه" (PROJECT SPEC)، "آموزش مدل" (Train Model)، و "نتیجه آموزش" (Train Result).

مشخصات پروژه (PROJECT SPEC)

در این بخش، جزئیات و مشخصات پروژه برای آموزش مدل‌های یادگیری ماشین توضیح داده می‌شود. این شامل اهداف، نیازمندی‌ها، محدودیت‌ها و سایر جزئیات مربوط به فرآیند آموزش است. این مستند به عنوان یک راهنمای عمومی برای تیم آموزش و سایر اعضای تیم درگیر در فرآیند آموزش خدمت می‌کند.

آموزش مدل (Train Model)

این بخش فرآیند آموزش مدل‌های یادگیری ماشین با استفاده از دیتاست آماده شده قبلی را توضیح می‌دهد. این شامل انتخاب و پیکربندی الگوریتم‌های آموزش، اجرای آموزش و مراحل ارزیابی و بهینه‌سازی مدل‌ها می‌شود.

نتیجه آموزش (Train Result)

در این بخش، نتایج و پیشرفت‌های حاصل شده در طول فرآیند آموزش مدل‌های یادگیری ماشین گزارش می‌شود. این شامل معیارهای ارزیابی، نتایج آموزش، نمودارها و هر نوع خروجی دیگری است که در طول فرآیند آموزش مدل تولید شده است.

بخش PROJECT SPEC

در بخش "مشخصات پروژه" می‌توانید اطلاعات زیر را بررسی کنید:

• جزئیات مربوط به دیتاست

• اطلاعات افزایش داده

• تصاویر نمونه

• گزینه "بررسی سلامت دیتاست"

تصویر بارگذاری شود

به طور کلی، بخش "آموزش" (Train) برای آموزش دیتاست‌های یادگیری ماشین استفاده می‌شود و جزئیات مربوط به فرآیند آموزش مدل‌ها را فراهم می‌کند. در بخش "آموزش مدل" (Train Model)، شما می‌توانید از فریم‌ورک، مدل و سایر جزئیات برای آموزش مدل خود استفاده کنید.

تصویر بارگذاری شود

توضیحات آیتم‌ها:

• قابل اجرا بر روی GPU (Deployable on GPU): این به توانایی یک مدل یا برنامه برای اجرا و پیاده‌سازی بر روی واحدهای پردازش گرافیکی (GPUs) اشاره دارد. GPU‌ها سخت‌افزارهای تخصصی هستند که برای پردازش موازی طراحی شده‌اند و معمولاً برای تسریع وظایف استنتاج یادگیری عمیق به دلیل قدرت محاسباتی بالای خود استفاده می‌شوند.

• پیاده‌سازی در ابر (Deployment on Cloud): این به توانایی پیاده‌سازی یک مدل یا برنامه در پلتفرم‌های رایانش ابری مانند Amazon Web Services (AWS)، Microsoft Azure، یا Google Cloud Platform (GCP) اشاره دارد. پیاده‌سازی در ابر مزایای مقیاس‌پذیری، انعطاف‌پذیری و دسترسی را فراهم می‌کند و به کاربران امکان می‌دهد بدون نیاز به زیرساخت محلی، به منابع از راه دور دسترسی پیدا کنند.

• دقت بالا (High Accuracy): دقت بالا به معنای دستیابی مدل یا سیستم به سطح بالایی از صحت یا دقت در پیش‌بینی‌ها یا نتایج خود است. در زمینه مدل‌های یادگیری ماشین، دقت معمولاً با مقایسه پیش‌بینی‌های مدل با برچسب‌های واقعیت زمینی و ارزیابی معیارهایی مانند دقت، بازیابی، امتیاز F1، یا دقت طبقه‌بندی اندازه‌گیری می‌شود.

• نتایج سریع (Fast Results): این به معنای توانایی مدل یا سیستم در تولید خروجی‌ها یا پیش‌بینی‌ها به سرعت و با حداقل تأخیر یا تأمل است. نتایج سریع در برنامه‌های بلادرنگ یا حساس به زمان که نیاز به تصمیم‌گیری سریع دارند، مانند رانندگی خودکار، تشخیص شیء بلادرنگ، یا پردازش ویدئو، بسیار حیاتی هستند.

• قابل اجرا بر روی CPU (Deployable on CPU): مشابه "قابل اجرا بر روی GPU"، این به توانایی مدل یا برنامه برای اجرا و پیاده‌سازی بر روی واحدهای پردازش مرکزی (CPUs) اشاره دارد. CPU‌ها پردازنده‌های همه منظوره‌ای هستند که در بیشتر دستگاه‌های محاسباتی یافت می‌شوند و برای اجرای طیف گسترده‌ای از برنامه‌های نرم‌افزاری مناسب هستند، از جمله مدل‌های یادگیری ماشین که نیاز به قدرت محاسباتی GPU ندارند.

• بهینه‌سازی (Optimization): بهینه‌سازی شامل فرآیند بهبود عملکرد، کارایی یا استفاده از منابع سیستم یا مدل است. در زمینه یادگیری ماشین، بهینه‌سازی ممکن است شامل تکنیک‌هایی مانند فشرده‌سازی مدل، کمّی‌سازی، هرس کردن، یا بهبودهای الگوریتمی برای کاهش فضای حافظه، تأخیر استنتاج، یا مصرف انرژی باشد و در عین حال دقت را حفظ یا بهبود بخشد.

بخش جزئیات آموزش (TRAIN DETAILS)

در بخش "جزئیات آموزش" (TRAIN DETAILS)، شما می‌توانید وضعیت مدل‌هایی را که برای آموزش درخواست کرده‌اید مشاهده کنید. همانطور که در تصویر زیر نشان داده شده است، مدل‌های ارسال شده برای آموزش دارای سه وضعیت هستند:

• در صف (Queue)

• انجام شده (Done)

• ناموفق (Failed)

تصویر بارگذاری شود

توضیحات بخش جزئیات آموزش (TRAIN DETAILS)

همانطور که در تصویر نشان داده شده است:

• باکس 1: می‌توانید فیلترهایی برای جستجوی مدل‌های آموزش‌دیده مشاهده کنید.

• باکس 2: می‌توانید وضعیت مدل‌ها را ببینید.

• باکس 3: می‌توانید معیارهای مدل آموزش‌دیده مانند MAP و یادآوری (Recall) را پیدا کنید. اگر مدل موفق به گذراندن بررسی سلامت نشود، وضعیت پیشرفت یا دلیل شکست در این بخش مشخص می‌شود، مشابه آنچه که در باکس 4 مشاهده می‌کنید.

• باکس 5: می‌توانید جزئیات و لاگ‌ها را مشاهده کنید، مدل را آرشیو کنید، یا به کنسول دسترسی پیدا کنید.

امکانات با کلیک بر روی مدل آموزش‌دیده:

با کلیک بر روی مدل آموزش‌دیده، می‌توانید جزئیات زیر را مشاهده کنید:

• Epochs: تعداد دوره‌های آموزشی

• Batches: تعداد دسته‌های آموزشی

• Max Size: حداکثر اندازه

• Patience: تعداد دوره‌های بدون بهبود قبل از توقف زودهنگام

• Momentum: میزان حرکت

• Learning Rate: نرخ یادگیری

همچنین می‌توانید مدل آموزش‌دیده را تست کنید و بصری‌سازی آن را با استفاده از TensorBoard مشاهده کنید. تصویر بارگذاری شود

در بخش “نتایج آموزش مدل”، شما به راحتی می‌توانید خروجی‌های مدل را بر روی مجموعه‌های آزمون و اعتبارسنجی مشاهده کنید.

تصویر بارگذاری شود