LegközelebbKövetkező útmutató
Tesztidős képzés
Alapok
Műszaki ÚTMUTATÓ
A tesztidő-kiegészítés (TTA) egy betanított modellt futtat ugyanannak a bemenetnek több módosított változatán, és átlagolja az előrejelzéseket.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez egy egyszerű, edzés nélküli trükk, amely gyakran kiszorít néhány plusz pontossági pontot, és megbízhatóbbá teszi az előrejelzéseket.
A tesztidő-kiegészítés egyetlen bemenetet igényel, több átalakított másolatot hoz létre (fordítások, körbevágások, elforgatások, színeltolások vagy méretezett változatok), mindegyiket ugyanazon a rögzített modellen futtatja, majd egyesíti a kimeneteket – általában a valószínűségek vagy logikák átlagolásával. Az intuíció: minden egyes kiegészítés egy kicsit más nézetnek teszi ki a modellt, és az egyes nézetek hibái általában törlődnek, ha összevonják őket, mint egy hálózatból felépített apró együttes. Lényeges, hogy a TTA-nak nincs szüksége átképzésre és extra címkékre; csak a következtetésnél többe kerül a számítás, mert a modell N-szer fut le mintánként. Legnépszerűbb a számítógépes látásban (különösen a Kaggle versenyeken és az orvosi képalkotásban), de hangban és szövegben is megjelenik. A növeléseknek meg kell őrizniük a címkét – a mellkasröntgen átfordítása rendben van, de a „6” számjegy „9”-re forgatása nem.
Előrejelzések átlagolása a kép vízszintes megfordításai és többszöri kivágása során, hogy javítsa az ImageNet osztályozási pontosságát a következtetésnél.
Az elforgatások/fordítások megfordítása és a maszkok átlagolása az orvosi képszegmentációban (pl. tumor- vagy szervhatárok) az egyenletesebb elhatárolás érdekében.
Kaggle versenytársak tíz- vagy többléptékű TTA-t alkalmazva, hogy átképzés nélkül egy százalék töredékét szerezzék meg a ranglistán.
Beszéd- vagy hangosztályozók futtatása enyhén időeltolásos vagy hangmagasság-zavart klipeken, és a kimenetek összevonása a stabilabb címkék érdekében.
A kutatás a tanult és adaptív TTA felé halad, ahol egy kis házirend választja ki, hogy az egyes bemenetekhez mely kiegészítések segítenek ahelyett, hogy rögzített halmazt alkalmaznának. A „kapzsi” és megkülönböztethető TTA-politikai keresés, valamint a bizonytalansággal súlyozott átlagolás, amely jobban bízik a magabiztos nézetekben, aktív területek. Várható, hogy a TTA keveredjen a tesztidőben végzett képzéssel és az önfelügyelt adaptációval, lehetővé téve a telepített modelleknek, hogy menet közben alkalmazkodjanak a disztribúcióváltáshoz, miközben megtartják a vonzó, átképzés nélküli tulajdonságot.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A tesztidő-kiegészítés (TTA) egy betanított modellt futtat ugyanannak a bemenetnek több módosított változatán, és átlagolja az előrejelzéseket. Ez egy egyszerű, edzés nélküli trükk, amely gyakran kiszorít néhány plusz pontossági pontot, és robusztusabbá teszi az előrejelzéseket.
A TTA egy bemenet több bővített változatát táplálja ugyanazon a betanított modellen keresztül, és összesíti az előrejelzéseket, átképzés nélkül.
The ensemble intuition depends on useful, label-preserving views whose errors are not perfectly correlated.
Mivel minden bemenet N-szer halad át a hálózaton, a következtetés nagyjából N-szer drágább lesz.
A kiterjesztéseknek meg kell őrizniük a valódi címkét; bizonyos számjegyek átfordítása megváltoztatja az identitásukat és torzítást injektál.
A geometriai kiegészítések pixeleket mozgatnak, ezért minden kimeneti maszkot vissza kell alakítani az eredeti koordináta-keretre az összevonás előtt.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Tesztidős képzés
Alapok