Como construir o oleoduto perfeito da AI é como preparar o tiro perfeito do café expresso
Construir o melhor pipeline da AI é surpreendentemente semelhante ao fabrico do tiro perfeito do café expresso. Em ambos os casos, há uma infinidade de parâmetros ajustáveis que devem ser configurados antes do início do processo, que tem um enorme impacto no resultado final.
A partir da pressão da água e da moagem de um feijão espresso para a taxa de aprendizado e o número de camadas ocultas em uma rede neural, esses parâmetros de configuração podem fazer ou quebrar o seu pipeline AI ou a manhã perfeita. Existem muitos componentes análogos entre esses sistemas ajustáveis, mas, em ambos os casos, obter o melhor resultado tem historicamente sido mais arte do que ciência. Nesta publicação, discutiremos as semelhanças de ambos os processos, bem como uma maneira melhor de sintonizá-los e sistemas complexos semelhantes.
Treinar uma rede neural não é tão diferente de preparar o expresso perfeito ( ou assar o lote perfeito de cookies ). A água passa através de uma rede de feijões espresso à temperatura e pressão, absorvendo sabor e cafeína, pois transforma sutilmente os feijões e, eventualmente, produz um delicioso tiro de café expresso do outro lado. À medida que os dados passam por um pipeline de aprendizado profundo, ele transforma os pesos de seus neurônios, absorvendo informações e convergindo em um modelo que pode ser aplicado a tarefas tão variadas como o processamento de linguagem natural ou a classificação de seqüência .
A água que passa através dos grãos de café expresso é semelhante aos dados que circulam por uma rede neural à medida que são treinados. Ele passa pelo sistema para se tornar algo diferente e desejável no final, interagindo e alterando as propriedades do próprio sistema à medida que ele vai. Pode-se ajustar vários aspectos de como a água ou os dados interagem com o sistema, como a pressão e a temperatura, para afetar a absorção dos feijões de café expresso ou taxa de aprendizado e os parâmetros Stochastic Gradient Descent (SGD) em uma rede neural. Esses parâmetros ajustáveis afetarão a forma como a rede de café ou os neurônios são influenciados pela água ou dados.
Além disso, os grãos de café expresso são semelhantes à arquitetura geral de um pipeline de aprendizado profundo. Uma variação do feijão espresso versus outro pode ter a mesma diferença no tiro que a decisão entre uma rede neuronal convolucional ou recorrente em uma tubulação de aprendizado profundo. A moagem dos feijões e a quantidade utilizada definem a rede sobre a qual a água passa, como os parâmetros de arquitetura em uma rede neural de camadas ocultas e número de neurônios por camada.
Assar o feijão de maneiras diferentes irá mudar como o sabor é absorvido por cada massa de feijão espresso, como a função de ativação em uma rede neural permite que os dados tenham diferentes efeitos nos neurônios individuais dentro da rede. Diferentes máquinas de café expresso têm um impacto no tiro, mesmo com parâmetros de configuração diferentes, exatamente como frameworks de aprendizado profundo como MXNet , TensorFlow e Caffe2 podem fornecer diferenças sutis no modelo treinado.
O tempo em ambos os sistemas é análogo, quanto mais você bombeia a água através da máquina, mais efeitos eles terão no tiro final (em tamanho e qualidade), de forma semelhante, quanto mais você forçando uma rede neural (o número de épocas em que você treina) terá um efeito sobre o que é aprendido, quanto ele converge e quais são os resultados.
Contact Information:
Scott Clark
Tags:
, Artificial Intelligence Newswire, Wire, United States, Portuguese
Keywords: afds, afdsafds