الدليل الفني

زيادة وقت الاختبار

تعمل تقنية زيادة وقت الاختبار (TTA) على تشغيل نموذج مدرب على عدة إصدارات معدلة من نفس المدخلات ومتوسط التوقعات.

قراءة لمدة دقيقتينآخر تحديث

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.

البصيرة الفنية

إذا كانت أخطاء التنبؤ الخاصة بالنموذج عبر طرق العرض المعززة غير مرتبطة جزئيًا، فإن المتوسط ​​يقلل التباين تمامًا مثل المجموعة - ولكن باستخدام مجموعة واحدة من الأوزان. بالنسبة للتصنيف، فإنك عادةً ما تقوم بمتوسط ​​احتمالات softmax (أو السجلات) على طرق العرض؛ للتجزئة، يجب عليك عكس كل تحويل هندسي قبل التجميع حتى تتم إعادة ضبط خرائط البكسل. يعد اختيار التعزيزات التي تحافظ على التسمية أمرًا مهمًا: فالتحويل الذي يغير الفئة الحقيقية يؤدي إلى التحيز بدلاً من إلغاء الضوضاء.

التأثير الاستراتيجي

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.

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.

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.

المخاطر والدرابزين

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.

خارطة طريق التنفيذ

1

تحديد الكمون والجودة وأهداف التكلفة قبل التنفيذ.

2

المعيار في ظل ظروف التحميل والبيانات الواقعية.

3

مراقبة الأدوات للأخطاء والانجراف وتأثير المستخدم.

4

قم بإعداد مسارات التراجع والاستجابة للحوادث قبل القياس.

استمر في الاستكشاف

Free newsletter

Get the daily AI briefing

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the Test-Time Augmentation quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ابدأ الاختبار

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

الدليل التالي

التدريب في وقت الاختبار

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.

ما هي الفكرة الأساسية وراء زيادة وقت الاختبار؟

تقوم TTA بتغذية إصدارات معززة متعددة لمدخل واحد من خلال نفس النموذج المُدرب وتجميع التوقعات، دون الحاجة إلى إعادة التدريب.

لماذا تعمل TTA غالبًا على تحسين الدقة؟

يعمل حساب المتوسط ​​على عدة طرق عرض كمجموعة من شبكة واحدة، مما يقلل التباين عندما تكون أخطاء كل عرض غير مرتبطة جزئيًا.

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.