ДаліНаступний посібник
Навчання під час тестування
основи
Технічний КЕРІВНИЦТВО
Збільшення часу тестування
Підвищення часу тестування (TTA) запускає навчену модель на кількох змінених версіях того самого входу та усереднює прогнози.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
Це простий трюк, який не потребує тренувань, який часто дає кілька додаткових балів точності та робить прогнози більш надійними.
Глибоке занурення
Збільшення часу тестування приймає один вхід, створює кілька трансформованих копій (перевертає, обрізає, повертає, змінює колір або масштабує версії), запускає кожну через ту саму фіксовану модель, а потім об’єднує виходи — зазвичай шляхом усереднення ймовірностей або логітів. Інтуїція: кожне розширення відкриває модель для дещо іншого вигляду, а помилки в окремих переглядах мають тенденцію скасовуватися, коли об’єднуються, як крихітний ансамбль, створений з однієї мережі. Важливо, що TTA не потребує перенавчання та додаткових позначок; це тільки коштує більше обчислень при висновку, оскільки модель запускається N разів на вибірку. Він найбільш популярний у комп’ютерному зорі (особливо у змаганнях Kaggle та медичних зображеннях), але також з’являється в аудіо та тексті. Збільшення мають зберегти мітку — перевернути рентгенівський знімок грудної клітки можна, але перевернути цифру «6» на «9» — ні.
Реалізація в реальному світі
Усереднення прогнозів за горизонтальними переворотами та багаторазовими кадруваннями зображення для підвищення точності класифікації ImageNet під час висновку.
Інвертування поворотів/переворотів і масок усереднення в сегментації медичних зображень (наприклад, межі пухлини або органу) для більш стабільного окреслення.
Конкуренти Kaggle, які застосовують TTA з десяти зернових або мультимасштабом, щоб отримати частки відсотка в таблиці лідерів без перенавчання.
Запуск мовних або аудіокласифікаторів над кліпами з дещо зсувом у часі або висотою звуку та об’єднання виходів для більш стабільних міток.
Майбутнє розширення тестового часу
Дослідження рухаються до навченого та адаптивного TTA, де невелика політика вибирає, які розширення допоможуть для кожного конкретного вхідного сигналу замість застосування фіксованого набору. «Жадібний» і диференційований пошук політики TTA, а також усереднення, зважене на невизначеність, яке більше довіряє впевненим поглядам, є активними областями. Очікуйте, що TTA поєднується з навчанням під час тестування та самоконтрольованою адаптацією, дозволяючи розгорнутим моделям адаптуватися до зміни дистрибуції на льоту, зберігаючи при цьому привабливу властивість без повторного навчання.
Застосування на практиці
Чому це важливо
- Вартість і бюджет. Архітектурні рішення збільшують продуктивність і експлуатаційні витрати протягом багатьох років.
- Чіткіші рішення. Технічна освіта допомагає командам вибрати правильний стек, а не лише найновіший.
- Контроль якості. Кращий інженерний вибір зменшує проблеми з надійністю у виробництві.
Зверніть увагу на
- Оптимізація одного тесту може приховати ширші слабкі сторони системи.
- Витрати на інфраструктуру та обслуговування часто недооцінюються.
- Прогалини в безпеці та спостережуваності можуть зростати в міру ускладнення систем.
Наступні кроки
- Визначте цільові показники затримки, якості та вартості перед впровадженням.
- Тест за реалістичних умов навантаження та даних.
- Моніторинг інструментів на наявність помилок, дрейфу та впливу користувача.
- Перед масштабуванням підготуйте шляхи відкату та реагування на інциденти.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Test-Time Augmentation quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
Що таке збільшення часу тестування?
Підвищення часу тестування (TTA) запускає навчену модель на кількох змінених версіях того самого входу та усереднює прогнози. Це простий трюк, який не потребує тренувань, який часто дає кілька додаткових балів точності та робить прогнози більш надійними.
Що робить розширення тестового часу з одним введенням під час висновку?
TTA подає кілька розширених версій одного вхідного сигналу через ту саму навчену модель і агрегує прогнози без повторного навчання.
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.
Яка основна вартість використання TTA?
Оскільки кожен вхідний сигнал проходить через мережу N разів, логічний висновок стає приблизно в N разів дорожчим.
Який вибір доповнення може насправді ШКОДИТИ класифікатору цифр?
Доповнення повинні зберігати справжню мітку; перевертання певних цифр змінює їх ідентичність і вносить упередженість.
Який додатковий крок у сегментації потрібен перед усередненням результатів TTA?
Геометричні розширення переміщують пікселі, тому кожну вихідну маску потрібно повернути до вихідної системи координат перед об’єднанням.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми