तकनीकी गाइड
परीक्षण-समय वृद्धि
टेस्ट-टाइम ऑग्मेंटेशन (टीटीए) एक ही इनपुट के कई परिवर्तित संस्करणों पर एक प्रशिक्षित मॉडल चलाता है और भविष्यवाणियों का औसत निकालता है।
इस पृष्ठ पर2 मिनट लाल
सिंहावलोकन
यह एक सरल, प्रशिक्षण-मुक्त ट्रिक है जो अक्सर सटीकता के कुछ अतिरिक्त बिंदुओं को निचोड़ लेती है और भविष्यवाणियों को अधिक मजबूत बनाती है।
गहरा गोता
परीक्षण-समय वृद्धि एक एकल इनपुट लेती है, कई रूपांतरित प्रतियां (फ़्लिप, क्रॉप, रोटेशन, रंग बदलाव, या स्केल किए गए संस्करण) बनाती है, प्रत्येक को एक ही निश्चित मॉडल के माध्यम से चलाती है, फिर आउटपुट को जोड़ती है - आमतौर पर संभावनाओं या लॉग के औसत से। अंतर्ज्ञान: प्रत्येक संवर्द्धन मॉडल को थोड़ा अलग दृश्य में उजागर करता है, और एक नेटवर्क से निर्मित एक छोटे समूह की तरह, अलग-अलग दृश्यों में त्रुटियां पूल होने पर रद्द हो जाती हैं। महत्वपूर्ण बात यह है कि टीटीए को किसी पुनर्प्रशिक्षण और किसी अतिरिक्त लेबल की आवश्यकता नहीं है; इसका अनुमान लगाने में केवल अधिक गणना लागत होती है क्योंकि मॉडल प्रति नमूना एन बार चलता है। यह कंप्यूटर विज़न (विशेष रूप से कागल प्रतियोगिताओं और मेडिकल इमेजिंग) में सबसे लोकप्रिय है, लेकिन ऑडियो और टेक्स्ट में भी दिखाई देता है। संवर्द्धन को लेबल को संरक्षित करना चाहिए - छाती के एक्स-रे को फ़्लिप करना ठीक है, लेकिन अंक '6' को '9' में फ़्लिप करना ठीक नहीं है।
सामरिक प्रभाव
लागत और बजट
वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
स्पष्ट निर्णय
तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
गुणवत्ता नियंत्रण
बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।
परीक्षण-समय वृद्धि का भविष्य
अनुसंधान सीखे हुए और अनुकूली टीटीए की ओर बढ़ रहा है, जहां एक छोटी नीति यह चुनती है कि एक निश्चित सेट को लागू करने के बजाय कौन से संवर्द्धन प्रत्येक विशिष्ट इनपुट के लिए मदद करते हैं। 'लालची' और अलग-अलग टीटीए-नीति खोज, साथ ही अनिश्चितता-भारित औसत जो आत्मविश्वासपूर्ण विचारों पर अधिक भरोसा करता है, सक्रिय क्षेत्र हैं। टीटीए से अपेक्षा करें कि वह परीक्षण-समय प्रशिक्षण और स्व-पर्यवेक्षित अनुकूलन के साथ मिश्रण करेगा, जिससे तैनात मॉडल आकर्षक नो-रीट्रेनिंग संपत्ति को बनाए रखते हुए तुरंत वितरण बदलाव में समायोजित हो जाएंगे।
वास्तविक विश्व कार्यान्वयन
अनुमान के समय इमेजनेट वर्गीकरण सटीकता को बढ़ावा देने के लिए एक छवि के क्षैतिज फ़्लिप और एकाधिक क्रॉप पर पूर्वानुमानों का औसत।
स्थिर चित्रण के लिए चिकित्सा छवि विभाजन (उदाहरण के लिए, ट्यूमर या अंग की सीमाएं) में घुमाव/फ़्लिप और औसत मास्क को उलटना।
कागल प्रतियोगी बिना पुनः प्रशिक्षण के लीडरबोर्ड पर एक प्रतिशत का अंश हासिल करने के लिए दस-फसल या बहु-स्तरीय टीटीए लागू करते हैं।
थोड़ा समय-स्थानांतरित या पिच-परेशान क्लिप पर भाषण या ऑडियो क्लासिफायर चलाना और अधिक स्थिर लेबल के लिए आउटपुट पूल करना।
जोखिम और रेलिंग
एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।
कार्यान्वयन रोडमैप
कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।
अन्वेषण करते रहें
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.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अक्सर पूछे जाने वाले प्रश्नों
टेस्ट-टाइम ऑग्मेंटेशन क्या है?
टेस्ट-टाइम ऑग्मेंटेशन (टीटीए) एक ही इनपुट के कई परिवर्तित संस्करणों पर एक प्रशिक्षित मॉडल चलाता है और भविष्यवाणियों का औसत निकालता है। यह एक सरल, प्रशिक्षण-मुक्त ट्रिक है जो अक्सर सटीकता के कुछ अतिरिक्त बिंदुओं को निचोड़ लेती है और भविष्यवाणियों को अधिक मजबूत बनाती है।
अनुमान के समय, परीक्षण-समय वृद्धि एकल इनपुट के साथ क्या करती है?
टीटीए एक ही प्रशिक्षित मॉडल के माध्यम से एक इनपुट के कई संवर्धित संस्करणों को फीड करता है और भविष्यवाणियों को एकत्रित करता है, जिसमें कोई पुनर्प्रशिक्षण शामिल नहीं होता है।
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.
टीटीए का उपयोग करने की मुख्य लागत क्या है?
क्योंकि प्रत्येक इनपुट को नेटवर्क से N बार गुजारा जाता है, अनुमान लगभग N गुना अधिक महंगा हो जाता है।
कौन सा संवर्द्धन विकल्प वास्तव में एक अंक वर्गीकरणकर्ता को नुकसान पहुंचा सकता है?
संवर्द्धन को वास्तविक लेबल को संरक्षित करना चाहिए; कुछ अंकों को पलटने से उनकी पहचान बदल जाती है और पूर्वाग्रह उत्पन्न हो जाता है।
विभाजन में, टीटीए आउटपुट के औसत से पहले किस अतिरिक्त कदम की आवश्यकता है?
ज्यामितीय संवर्द्धन पिक्सेल को स्थानांतरित करते हैं, इसलिए प्रत्येक आउटपुट मास्क को पूलिंग से पहले मूल समन्वय फ्रेम में वापस बदलना होगा।
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं