使用分布式学习来提升Watson的Visual IQ

时间:2019-03-06 18:39:53 阅读:15次

  培训计算机以准确识别图像中的内容时,数量很重要。他们看得越多,他们学到的就越多。但是,使用深度学习从大量图像中训练新的视觉识别模型很快就会成为瓶颈,特别是对于使用商用硬件和GPU的云环境。平均有两到四个GPU的商品机器无法及时处理大型数据集。

  我们的研究团队通过构建分布式深度学习系统克服了这一障碍,该系统将大型视觉训练任务分解为并行运行的小型,分散式培训工作。它使用较小的训练数据段使用多个计算节点训练单个模型,其中模型在训练期间通过中央参数服务器异步交换。这样,每个节点都会定期更新其他节点学到的内容。该技术将在其他工作中学到的信息融入到各个模型中,并继续学习。我们的创新一直是使这种类型的异步分布式训练在扩展到非常大的图像数据集时既高效又准确。

  一旦我们创建了分布式深度学习系统,我们就会着眼于评估用于训练多个大型数据集的可视化模型的系统,包括ImageNet 22K,其中包含数千万个标有数万个视觉类别的图像。当系统能够以比以前发布的结果更高的准确度从这些数据中学习模型时,我们受到鼓舞。

  我们随后使用分布式深度学习系统来训练Watson视觉识别服务的模型,该服务允许用户理解图像或视频帧的内容。我们为模型的输出开发并应用了其他分层推理方法,为每个输入图像提供了最有意义的标签集。由此产生的模型使开发人员能够利用大量图像数据训练的更大标签词汇,我们开始看到用户的一些很好的反馈。

  自此初步推出以来,我们通过将训练图像的数量几乎加倍来继续扩展视觉识别词汇的语义覆盖范围。因此,Watson视觉识别服务极大地扩展了其准确识别图像整体“场景”的能力,使其能够更完整地标记每个图像的人物,内容和位置,以及活动和主导颜色。例如,如下图所示的烟花,它可以告诉你场景在海滨设置中有烟花,还可以评论场景中看到的一些颜色。

   由Watson视觉识别服务提供的返回标签结果的烟花场景照片

  我们的外部测试显示,使用此新功能生成的标签的用户偏好增加了16%。通过在Watson视觉识别服务的生产中发布新模型,用户将拥有更多从图像中提取信息和见解的功能。

  除了改善Watson服务的内置视觉识别功能外,我们还能够为Watson Visual Recognition自定义学习服务应用从大型训练数据集中学习的新基础模型,这将加速实现价值的时间。开发人员为不同的域创建自定义解决方案。

  我们还通过一些聪明的工程技术,使用经过训练的模型减少了推理图像的延迟。开发人员有能力提交包含多个图像的.zip文件,但现在,以这种方式提交图像时,服务的速度提高了一倍。我们还显着降低了系统遇到高需求时可能出现的延迟。

  通过不断教授Watson更大的训练图像数据集,并以可以使用分布式深度学习快速学习的方式对其进行设计,其视觉智商正在快速增长。这有助于任何行业的用户和开发人员利用高度可靠的视觉识别服务,该服务可以从视觉数据中理解,以帮助发现改变游戏规则的见解。没看到的价格太高了。您将如何处理Watson Visual Recognition?

使用分布式学习来提升Watson的Visual IQ所属专题:分布式 学习 《使用分布式学习来提升Watson的Visual IQ》链接:http://www.zhouchuanxiong.net/852

使用分布式学习来提升Watson的Visual IQ相关文章

  • IBM Research利用新的软件技术实现了创纪录的深度学习性能
  • 脑启动AI:神经科学如何帮助推进机器学习
  • 使用深度学习来预测海浪
  • 深度学习的开放标准,以简化神经网络的发展
  • 使用物联网和机器学习来跟踪肺病的进展
  • 机器学习过去常常超过MELD来评估肝脏疾病
  • IBM科学家证明使用GPU可以将大规模机器学习速度提高10倍
  • 分布式深度学习培训控制提供10倍的性能提升
  • ROMEO寻求通过机器学习和边缘物联网改善风电场
  • 从研究论文中自动生成深度学习模型的代码
  • 攻丝机学习促进更多地利用仿生学进行创新
  • 深度学习培训时间显着减少
  • IBM Research的深度学习进展
  • IBM利用POWER9和NVIDIA GPU设置万亿级机器学习基准记录; PowerAI即将推出
  • 一种用于大规模图的可扩展深度学习方法
  • 在强化学习中发现特征选择的新算法
  • 加速机器学习算法的培训
  • 使用深度学习生成餐厅评论
  • 使用OpenCV和深度学习在视频中跟踪对象
  • 开发一个使用机器学习的基于Web的移动健康应用程序
  • 在Kubernetes上部署和使用多框架深度学习平台
  • 创建一个Web应用程序以与机器学习生成的图像标题进行交互
  • 创建一个Web应用程序,以便与使用机器学习检测到的对象进
  • 机器学习模型的性能评估
  • 构建机器学习推荐引擎,以鼓励基于过去购买行为的额外购买
  • 使用内部部署数据训练基于云的机器学习模型
  • 使用Watson Machine Learning和IBM Db2 Warehouse on Cloud持续学习
  • 部署深度学习驱动的“魔术裁剪工具”
  • 使用机器学习预测心脏病
  • 使用Watson OpenScale监控自定义机器学习引擎