الدليل الفني
زيادة وقت الاختبار
تعمل تقنية زيادة وقت الاختبار (TTA) على تشغيل نموذج مدرب على عدة إصدارات معدلة من نفس المدخلات ومتوسط التوقعات.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
It is a simple, training-free trick that often squeezes out a few extra points of accuracy and makes predictions more robust.
الغوص العميق
تأخذ عملية تكبير وقت الاختبار مدخلاً واحدًا، وتنشئ عدة نسخ محولة (قلب، أو قص، أو تدوير، أو تغيرات لونية، أو إصدارات محددة الحجم)، وتشغيل كل منها من خلال نفس النموذج الثابت، ثم تجمع المخرجات - عادةً عن طريق حساب متوسط الاحتمالات أو اللوغاريتمات. الحدس: كل زيادة تعرض النموذج لعرض مختلف قليلاً، وتميل الأخطاء في طرق العرض الفردية إلى الإلغاء عند تجميعها، مثل مجموعة صغيرة مبنية من شبكة واحدة. والأهم من ذلك، أن TTA لا تحتاج إلى إعادة تدريب أو تسميات إضافية؛ فهو لا يكلف سوى المزيد من الحوسبة عند الاستدلال لأن النموذج يعمل N مرات لكل عينة. وهي الأكثر شيوعًا في مجال رؤية الكمبيوتر (خاصة مسابقات Kaggle والتصوير الطبي) ولكنها تظهر أيضًا في الصوت والنص. يجب أن تحافظ التعزيزات على الملصق — فقلب صورة الأشعة السينية للصدر أمر جيد، ولكن قلب الرقم "6" إلى "9" ليس كذلك.
التنفيذ في العالم الحقيقي
متوسط التنبؤات على التقلبات الأفقية والمحاصيل المتعددة للصورة لتعزيز دقة تصنيف ImageNet عند الاستدلال.
عكس التدويرات/التقلبات والأقنعة المتوسطة في تجزئة الصورة الطبية (على سبيل المثال، حدود الورم أو الأعضاء) لترسيمات أكثر ثباتًا.
يطبق منافسو Kaggle TTA ذات العشرة محاصيل أو متعددة النطاقات للحصول على جزء صغير من النسبة المئوية على لوحة المتصدرين دون إعادة التدريب.
تشغيل مصنفات الكلام أو الصوت عبر مقاطع تم تغيير وقتها قليلاً أو مضطربة في درجة الصوت وتجميع المخرجات للحصول على تسميات أكثر استقرارًا.
مستقبل زيادة وقت الاختبار
تتجه الأبحاث نحو TTA المتعلمة والقابلة للتكيف، حيث تختار سياسة صغيرة التعزيزات التي تساعد على كل مدخل محدد بدلاً من تطبيق مجموعة ثابتة. يعد البحث "الجشع" والقابل للتمييز عن سياسة TTA، بالإضافة إلى المتوسط المرجح بعدم اليقين الذي يثق في وجهات النظر الواثقة أكثر، من المجالات النشطة. توقع أن تمتزج TTA مع التدريب في وقت الاختبار والتكيف الخاضع للإشراف الذاتي، مما يسمح للنماذج المنشورة بالتكيف مع تحول التوزيع بسرعة مع الحفاظ على خاصية عدم إعادة التدريب الجذابة.
وضعها موضع التنفيذ
لماذا يهم
- التكلفة والميزانية. تؤدي قرارات الهندسة المعمارية إلى زيادة الأداء وتكلفة التشغيل لسنوات.
- قرارات أوضح. يساعد التعليم الفني الفرق على اختيار المجموعة المناسبة، وليس فقط المجموعة الأحدث.
- مراقبة الجودة. تعمل الخيارات الهندسية الأفضل على تقليل حوادث الموثوقية في الإنتاج.
احترس من
- يمكن أن يؤدي تحسين معيار واحد إلى إخفاء نقاط ضعف النظام الأوسع.
- غالبًا ما يتم التقليل من تكاليف البنية التحتية والصيانة.
- يمكن أن تنمو الفجوات الأمنية وقابلية المراقبة عندما تصبح الأنظمة أكثر تعقيدًا.
الخطوات التالية
- تحديد الكمون والجودة وأهداف التكلفة قبل التنفيذ.
- المعيار في ظل ظروف التحميل والبيانات الواقعية.
- مراقبة الأدوات للأخطاء والانجراف وتأثير المستخدم.
- قم بإعداد مسارات التراجع والاستجابة للحوادث قبل القياس.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Test-Time Augmentation quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
What is Test-Time Augmentation?
تعمل تقنية زيادة وقت الاختبار (TTA) على تشغيل نموذج مدرب على عدة إصدارات معدلة من نفس المدخلات ومتوسط التوقعات. إنها خدعة بسيطة لا تحتاج إلى تدريب، وغالبًا ما تستخرج بضع نقاط إضافية من الدقة وتجعل التنبؤات أكثر قوة.
في وقت الاستدلال، ماذا تفعل زيادة وقت الاختبار بإدخال واحد؟
تقوم TTA بتغذية إصدارات معززة متعددة لمدخل واحد من خلال نفس النموذج المُدرب وتجميع التوقعات، دون الحاجة إلى إعادة التدريب.
When can pooling predictions from transformed views reduce prediction variance?
The ensemble intuition depends on useful, label-preserving views whose errors are not perfectly correlated.
ما هي التكلفة الرئيسية لاستخدام TTA؟
نظرًا لأنه يتم تمرير كل إدخال عبر الشبكة N مرات، يصبح الاستدلال أكثر تكلفة بحوالي N مرات.
ما هو خيار التعزيز الذي يمكن أن يضر بالفعل بمصنف الأرقام؟
يجب أن تحافظ عمليات التعزيز على التسمية الحقيقية؛ يؤدي تقليب أرقام معينة إلى تغيير هويتها ويؤدي إلى التحيز.
في التجزئة، ما هي الخطوة الإضافية المطلوبة قبل حساب متوسط مخرجات TTA؟
تعمل التعزيزات الهندسية على نقل وحدات البكسل، لذلك يجب تحويل كل قناع مخرجات مرة أخرى إلى إطار الإحداثيات الأصلي قبل التجميع.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع