Resumen

En este patrón, aprenda a crear e implementar modelos de aprendizaje profundo utilizando un Jupyter Notebook en un entorno IBM Watson Studio. También crea experimentos de aprendizaje profundo con optimización de hiperparámetros utilizando una GUI de Watson Studio para monitorear diferentes ejecuciones, luego selecciona el mejor modelo para la implementación.

Descripción

La visión por computadora está en aumento, y puede haber escenarios en los que una máquina debe clasificar las imágenes según su clase para ayudar en el proceso de toma de decisiones. En este patrón de código, demostramos cómo hacer una clasificación multiclase (con tres clases) utilizando IBM® Watson ™ Studio e IBM Deep Learning as a Service. Utilizamos datos de posturas de yoga para identificar la clase dada una imagen. Esta metodología se puede aplicar a cualquier dominio y conjunto de datos que requiera que varias clases de imágenes se clasifiquen con precisión y se pueda extender para un análisis posterior.

IBM Deep Learning as a Service permite a las organizaciones superar las barreras comunes para la implementación del aprendizaje profundo: habilidades, estandarización y complejidad. Abarca una amplia variedad de marcos de código abierto populares como TensorFlow, Caffe, PyTorch y otros, y los ofrece como un servicio nativo de la nube en IBM Cloud, reduciendo la barrera de entrada para el aprendizaje profundo. Combina la flexibilidad, la facilidad de uso y la economía de un servicio en la nube con la potencia informática del aprendizaje profundo. Con las API REST fáciles de usar, puede entrenar modelos de aprendizaje profundo con diferentes cantidades de recursos según los requisitos o presupuestos de los usuarios.

Actualmente, el entrenamiento de redes neuronales profundas es altamente complejo y computacionalmente intensivo. Requiere un sistema altamente sintonizado con la combinación correcta de software, controladores, potencia informática, memoria, red y recursos de almacenamiento. Para aprovechar todo el potencial del aprendizaje profundo, queremos que la tecnología sea más accesible para los desarrolladores y científicos de datos para que puedan centrarse más en hacer lo que mejor saben hacer, concentrándose en los datos y sus refinamientos, entrenando modelos de redes neuronales con automatización estos grandes conjuntos de datos y la creación de modelos de vanguardia.

En este patrón de código, demostramos cómo crear e implementar modelos de aprendizaje profundo utilizando un Jupyter Notebook (usando CPU) en un entorno Watson Studio. También puede crear experimentos de aprendizaje profundo (utilizando GPU) con optimización de hiperparámetros utilizando una GUI de Watson Studio para monitorear diferentes ejecuciones, luego seleccione el mejor modelo para la implementación.

Cuando haya completado este patrón de código, comprenderá cómo:

• Preprocese las imágenes para prepararlas para la construcción de modelos
• Acceda a los datos de imagen de IBM Cloud Object Storage y escriba el resultado previsto en Cloud Object Storage
• Cree un modelo de aprendizaje profundo paso a paso (basado en código) que incluya hiperparámetros flexibles para clasificar las imágenes con precisión
• Cree experimentos en Watson Studio (basados ​​en GUI) para implementar modelos de vanguardia con optimización de hiperparámetros
• Cree visualizaciones para una mejor comprensión de las predicciones del modelo.
• Interprete el resumen del modelo y genere predicciones utilizando los datos de la prueba.
• Analice los resultados para su posterior procesamiento para generar recomendaciones o tomar decisiones informadas

Flujo

1. El usuario carga datos de imágenes en IBM Cloud Object Storage.
2. El usuario accede a los datos en un Jupyter Notebook.
3. El usuario ejecuta el modelo de referencia Notebook que tiene el modelo CNN de aprendizaje profundo junto con hiperparámetros ajustables.
4. El cuaderno entrena en las imágenes de muestra del tren y los conjuntos de datos de validación y clasifica las imágenes de datos de prueba utilizando el modelo de aprendizaje profundo.
5. El usuario puede clasificar imágenes en diferentes clases utilizando un cliente REST.
6. El usuario puede escribir la salida pronosticada en Cloud Object Storage en un formato .csv que se puede descargar para su posterior análisis.

Instrucciones

Encuentre los pasos detallados para este patrón en el README. Esos pasos le muestran cómo:

1. Cree una cuenta con IBM Cloud.
2. Crea un nuevo proyecto de Watson Studio.
3. Crea el cuaderno.
4. Agrega los datos.
5. Insertar las credenciales.
6. Ejecute el cuaderno.
7. Analiza los resultados.
8. Acceda al depósito de almacenamiento de objetos en la nube.
9. Ejecute el cuaderno y publíquelo en Watson Machine Learning.
10. Cree experimentos con GPU para la optimización de hiperparámetros.

Sharath Kumar

Manjula G. Hosurmath

Fuente: https://developer.ibm.com/patterns/create-a-predictive-system-for-image-classification-using-deep-learning-as-a-service/