ΕπόμενοΕπόμενος οδηγός
Εκπαίδευση Test-Time
Βασικές αρχές
Τεχνικός ΟΔΗΓΟΣ
Αύξηση χρόνου δοκιμής
Το Test-time augmentation (TTA) εκτελεί ένα εκπαιδευμένο μοντέλο σε πολλές τροποποιημένες εκδόσεις της ίδιας εισόδου και υπολογίζει τον μέσο όρο των προβλέψεων.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
Είναι ένα απλό κόλπο χωρίς προπόνηση που συχνά αποσπά μερικούς επιπλέον πόντους ακρίβειας και κάνει τις προβλέψεις πιο ισχυρές.
Βαθιά κατάδυση
Η επαύξηση χρόνου δοκιμής λαμβάνει μία μόνο είσοδο, δημιουργεί πολλαπλά μετασχηματισμένα αντίγραφα (αναστροφές, περικοπές, περιστροφές, μετατοπίσεις χρωμάτων ή κλιμακούμενες εκδόσεις), εκτελείται το καθένα μέσω του ίδιου σταθερού μοντέλου και, στη συνέχεια, συνδυάζει τις εξόδους — συνήθως με υπολογισμό του μέσου όρου των πιθανοτήτων ή των λογαριασμών. Η διαίσθηση: κάθε αύξηση εκθέτει το μοντέλο σε μια ελαφρώς διαφορετική προβολή και τα σφάλματα σε μεμονωμένες προβολές τείνουν να ακυρώνονται όταν ομαδοποιούνται, όπως ένα μικροσκοπικό σύνολο κατασκευασμένο από ένα δίκτυο. Βασικά, το TTA δεν χρειάζεται επανεκπαίδευση και επιπλέον ετικέτες. κοστίζει περισσότερο υπολογισμό στο συμπέρασμα επειδή το μοντέλο εκτελεί Ν φορές ανά δείγμα. Είναι πιο δημοφιλές στην όραση υπολογιστών (ιδιαίτερα σε αγώνες Kaggle και ιατρική απεικόνιση) αλλά εμφανίζεται και σε ήχο και κείμενο. Οι αυξήσεις θα πρέπει να διατηρήσουν την ετικέτα — η αναστροφή μιας ακτινογραφίας θώρακα είναι εντάξει, αλλά η ανατροπή ενός ψηφίου «6» σε «9» δεν είναι.
Υλοποίηση σε πραγματικό κόσμο
Μέσος όρος προβλέψεων για οριζόντιες ανατροπές και πολλαπλές περικοπές μιας εικόνας για ενίσχυση της ακρίβειας ταξινόμησης ImageNet στο συμπέρασμα.
Αντιστροφή περιστροφών/αναστροφών και μάσκας μέσου όρου στην κατάτμηση ιατρικών εικόνων (π.χ. όρια όγκου ή οργάνων) για πιο σταθερές οριοθετήσεις.
Kaggle ανταγωνιστές που εφαρμόζουν TTA δέκα καλλιεργειών ή πολλαπλής κλίμακας για να κερδίσουν ένα κλάσμα του ποσοστού στο leaderboard χωρίς επανεκπαίδευση.
Εκτέλεση ταξινομητών ομιλίας ή ήχου σε κλιπ με ελαφρώς μετατόπιση χρόνου ή διαταραγμένο τόνο και εξόδους συγκέντρωσης για πιο σταθερές ετικέτες.
Το μέλλον της αύξησης του χρόνου δοκιμής
Η έρευνα κινείται προς το μαθημένο και προσαρμοστικό TTA, όπου μια μικρή πολιτική επιλέγει ποιες αυξήσεις βοηθούν για κάθε συγκεκριμένη είσοδο αντί να εφαρμόζει ένα σταθερό σύνολο. Η «άπληστη» και διαφοροποιήσιμη αναζήτηση πολιτικής TTA, καθώς και ο σταθμισμένος μέσος όρος αβεβαιότητας που εμπιστεύεται περισσότερο τις σίγουρες προβολές, είναι ενεργοί τομείς. Αναμένετε ότι το TTA θα συνδυάζεται με την εκπαίδευση στο χρόνο δοκιμής και την αυτο-ελεγχόμενη προσαρμογή, επιτρέποντας στα αναπτυγμένα μοντέλα να προσαρμόζονται στη μετατόπιση διανομής εν κινήσει, διατηρώντας παράλληλα την ελκυστική ιδιότητα μη επανεκπαίδευσης.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Κόστος και προϋπολογισμός. Οι αποφάσεις για την αρχιτεκτονική καθορίζουν την απόδοση και το λειτουργικό κόστος για χρόνια.
- Σαφέστερες αποφάσεις. Η τεχνική εκπαίδευση βοηθά τις ομάδες να επιλέξουν τη σωστή στοίβα, όχι μόνο τη νεότερη.
- Ελεγχος ποιότητας. Οι καλύτερες επιλογές μηχανικής μειώνουν τα περιστατικά αξιοπιστίας στην παραγωγή.
Προσέξτε
- Η βελτιστοποίηση ενός σημείου αναφοράς μπορεί να κρύψει ευρύτερες αδυναμίες του συστήματος.
- Το κόστος υποδομής και συντήρησης συχνά υποτιμάται.
- Τα κενά ασφάλειας και παρατηρητικότητας μπορούν να αυξηθούν καθώς τα συστήματα γίνονται πιο πολύπλοκα.
Επόμενα βήματα
- Καθορίστε τους στόχους καθυστέρησης, ποιότητας και κόστους πριν από την εφαρμογή.
- Σημείο αναφοράς υπό ρεαλιστικές συνθήκες φορτίου και δεδομένων.
- Παρακολούθηση οργάνου για σφάλματα, μετατόπιση και επιπτώσεις από τον χρήστη.
- Προετοιμάστε διαδρομές επαναφοράς και απόκρισης συμβάντος πριν την κλιμάκωση.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the Test-Time Augmentation quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
Τι είναι το Test-Time Augmentation;
Το Test-time augmentation (TTA) εκτελεί ένα εκπαιδευμένο μοντέλο σε πολλές τροποποιημένες εκδόσεις της ίδιας εισόδου και υπολογίζει τον μέσο όρο των προβλέψεων. Είναι ένα απλό κόλπο χωρίς προπόνηση που συχνά αποσπά μερικούς επιπλέον πόντους ακρίβειας και κάνει τις προβλέψεις πιο ισχυρές.
At inference time, what does test-time augmentation do with a single input?
Το TTA τροφοδοτεί πολλαπλές επαυξημένες εκδόσεις μιας εισόδου μέσω του ίδιου εκπαιδευμένου μοντέλου και συγκεντρώνει τις προβλέψεις, χωρίς να απαιτείται επανεκπαίδευση.
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.
Ποιο είναι το κύριο κόστος χρήσης του TTA;
Επειδή κάθε είσοδος περνά μέσα από το δίκτυο Ν φορές, το συμπέρασμα γίνεται περίπου Ν φορές πιο ακριβό.
Ποια επιλογή αύξησης θα μπορούσε να βλάψει έναν ταξινομητή ψηφίων;
Οι αυξήσεις πρέπει να διατηρούν την αληθινή ετικέτα. Η ανατροπή ορισμένων ψηφίων αλλάζει την ταυτότητά τους και προκαλεί μεροληψία.
Στην τμηματοποίηση, ποιο επιπλέον βήμα απαιτείται πριν από τον μέσο όρο των εξόδων TTA;
Οι γεωμετρικές επαυξήσεις μετακινούν τα εικονοστοιχεία, επομένως κάθε μάσκα εξόδου πρέπει να μετατραπεί ξανά στο αρχικό πλαίσιο συντεταγμένων πριν από τη συγκέντρωση.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα