SelanjutnyaPanduan berikutnya
Pelatihan Waktu Tes
Dasar-dasar
PANDUAN Teknis
Augmentasi Waktu Tes
Augmentasi waktu pengujian (TTA) menjalankan model terlatih pada beberapa versi input yang sama dan membuat rata-rata prediksinya.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Ini adalah trik sederhana tanpa pelatihan yang sering kali memberikan beberapa poin akurasi tambahan dan membuat prediksi lebih kuat.
Menyelam Lebih Dalam
Augmentasi waktu pengujian mengambil satu masukan, membuat beberapa salinan yang diubah (membalik, memotong, rotasi, perubahan warna, atau versi skala), menjalankan masing-masing melalui model tetap yang sama, lalu menggabungkan keluaran — biasanya dengan rata-rata probabilitas atau logit. Intuisinya: setiap augmentasi memaparkan model ke tampilan yang sedikit berbeda, dan kesalahan pada masing-masing tampilan cenderung hilang saat digabungkan, seperti ansambel kecil yang dibangun dari satu jaringan. Yang terpenting, TTA tidak memerlukan pelatihan ulang dan label tambahan; hanya memerlukan biaya komputasi yang lebih besar pada inferensi karena model berjalan N kali per sampel. Ini paling populer dalam visi komputer (terutama kompetisi Kaggle dan pencitraan medis) tetapi juga muncul dalam audio dan teks. Augmentasi ini harus mempertahankan labelnya — membalik foto rontgen dada tidak masalah, namun membalik angka '6' menjadi '9' tidaklah baik.
Implementasi Dunia Nyata
Rata-rata prediksi pada pembalikan horizontal dan pemotongan beberapa gambar untuk meningkatkan akurasi klasifikasi ImageNet pada inferensi.
Membalikkan rotasi/membalik dan merata-ratakan masker dalam segmentasi citra medis (misalnya, batas tumor atau organ) untuk penggambaran yang lebih stabil.
Kompetitor Kaggle yang menerapkan TTA sepuluh kali panen atau multiskala untuk mendapatkan sepersekian persen di papan peringkat tanpa pelatihan ulang.
Menjalankan pengklasifikasi ucapan atau audio pada klip yang sedikit mengalami pergeseran waktu atau nada yang terganggu dan mengumpulkan keluaran untuk label yang lebih stabil.
Masa Depan Augmentasi Waktu Tes
Penelitian bergerak menuju TTA yang dipelajari dan adaptif, di mana sebuah kebijakan kecil memilih augmentasi mana yang membantu untuk setiap masukan tertentu dibandingkan menerapkan serangkaian data yang tetap. Pencarian kebijakan TTA yang 'serakah' dan dapat dibedakan, ditambah rata-rata tertimbang ketidakpastian yang lebih mempercayai pandangan yang percaya diri, merupakan area yang aktif. Harapkan TTA untuk menyatu dengan pelatihan waktu pengujian dan adaptasi yang diawasi sendiri, sehingga model yang diterapkan dapat menyesuaikan dengan peralihan distribusi dengan cepat sambil mempertahankan properti tanpa pelatihan ulang yang menarik.
Mempraktikkannya
Mengapa itu penting
- Biaya dan anggaran. Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
- Kontrol kualitas. Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Hati-hati
- Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
- Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
- Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Langkah selanjutnya
- Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
- Tolok ukur dalam kondisi beban dan data yang realistis.
- Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
- Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Test-Time Augmentation quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Apa itu Augmentasi Waktu Tes?
Augmentasi waktu pengujian (TTA) menjalankan model terlatih pada beberapa versi input yang sama dan membuat rata-rata prediksinya. Ini adalah trik sederhana tanpa pelatihan yang sering kali memberikan beberapa poin akurasi tambahan dan membuat prediksi lebih kuat.
Pada waktu inferensi, apa yang dilakukan augmentasi waktu pengujian dengan satu masukan?
TTA memasukkan beberapa versi tambahan dari satu masukan melalui model terlatih yang sama dan menggabungkan prediksi, tanpa perlu pelatihan ulang.
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.
Berapa biaya utama penggunaan TTA?
Karena setiap input dilewatkan melalui jaringan sebanyak N kali, inferensi menjadi sekitar N kali lebih mahal.
Pilihan augmentasi manakah yang benar-benar dapat MELUKA pengklasifikasi digit?
Augmentasi harus mempertahankan label aslinya; membalik angka tertentu akan mengubah identitas mereka dan menimbulkan bias.
Dalam segmentasi, langkah tambahan apa yang diperlukan sebelum membuat rata-rata keluaran TTA?
Augmentasi geometris memindahkan piksel, sehingga setiap topeng keluaran harus diubah kembali ke bingkai koordinat asli sebelum digabungkan.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini