Tiếp theoHướng dẫn tiếp theo
Đào tạo trong thời gian kiểm tra
Nguyên tắc cơ bản
HƯỚNG DẪN KỸ THUẬT
Tăng cường thời gian thử nghiệm
Tăng cường thời gian thử nghiệm (TTA) chạy một mô hình được đào tạo trên một số phiên bản đã thay đổi của cùng một đầu vào và tính trung bình các dự đoán.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Đây là một thủ thuật đơn giản, không cần đào tạo, thường tăng thêm một số điểm chính xác và giúp dự đoán trở nên chắc chắn hơn.
Lặn sâu
Việc tăng cường thời gian thử nghiệm cần một đầu vào duy nhất, tạo ra nhiều bản sao được chuyển đổi (lật, cắt, xoay, thay đổi màu hoặc phiên bản được chia tỷ lệ), chạy từng bản sao thông qua cùng một mô hình cố định, sau đó kết hợp các đầu ra - thường bằng cách lấy trung bình xác suất hoặc nhật ký. Trực giác: mỗi lần mở rộng sẽ hiển thị mô hình ở một chế độ xem hơi khác và các lỗi trên các chế độ xem riêng lẻ có xu hướng bị loại bỏ khi được gộp lại, giống như một tập hợp nhỏ được xây dựng từ một mạng. Điều quan trọng là TTA không cần đào tạo lại và không cần thêm nhãn; nó chỉ tốn nhiều chi phí tính toán hơn khi suy luận vì mô hình chạy N lần trên mỗi mẫu. Nó phổ biến nhất trong thị giác máy tính (đặc biệt là các cuộc thi Kaggle và hình ảnh y tế) nhưng cũng xuất hiện trong âm thanh và văn bản. Các phần bổ sung này sẽ giữ nguyên nhãn - lật phim X-quang ngực là được, nhưng lật chữ số '6' thành '9' thì không.
Triển khai trong thế giới thực
Tính trung bình các dự đoán đối với các lần lật ngang và cắt xén nhiều lần của một hình ảnh để tăng độ chính xác phân loại của ImageNet khi suy luận.
Đảo ngược các phép quay/lật và lấy mặt nạ trung bình trong phân đoạn hình ảnh y tế (ví dụ: ranh giới khối u hoặc cơ quan) để mô tả ổn định hơn.
Các đối thủ cạnh tranh của Kaggle áp dụng TTA mười vụ hoặc đa quy mô để đạt được một phần trăm trên bảng xếp hạng mà không cần đào tạo lại.
Chạy bộ phân loại giọng nói hoặc âm thanh trên các clip bị dịch chuyển nhẹ theo thời gian hoặc cao độ và gộp các đầu ra để có nhãn ổn định hơn.
Tương lai của việc tăng cường thời gian thử nghiệm
Nghiên cứu đang hướng tới TTA có thể học và thích ứng, trong đó một chính sách nhỏ sẽ chọn ra những phần bổ sung nào sẽ giúp ích cho từng đầu vào cụ thể thay vì áp dụng một tập hợp cố định. Tìm kiếm chính sách TTA 'tham lam' và có thể khác biệt, cộng với tính trung bình có trọng số không chắc chắn tin tưởng vào các quan điểm tự tin hơn, là các lĩnh vực hoạt động. Kỳ vọng TTA sẽ kết hợp với đào tạo trong thời gian thử nghiệm và khả năng thích ứng tự giám sát, cho phép các mô hình được triển khai điều chỉnh nhanh chóng theo sự thay đổi phân phối trong khi vẫn giữ được đặc tính hấp dẫn không cần đào tạo lại.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Test-Time Augmentation quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Tăng cường thời gian thử nghiệm là gì?
Tăng cường thời gian thử nghiệm (TTA) chạy một mô hình được đào tạo trên một số phiên bản đã thay đổi của cùng một đầu vào và tính trung bình các dự đoán. Đây là một thủ thuật đơn giản, không cần đào tạo, thường tăng thêm một số điểm chính xác và giúp dự đoán trở nên chắc chắn hơn.
Tại thời điểm suy luận, việc tăng thời gian thử nghiệm sẽ làm gì với một đầu vào duy nhất?
TTA cung cấp nhiều phiên bản tăng cường của một đầu vào thông qua cùng một mô hình được đào tạo và tổng hợp các dự đoán mà không cần đào tạo lại.
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.
Chi phí chính của việc sử dụng TTA là gì?
Vì mỗi đầu vào được truyền qua mạng N lần nên việc suy luận sẽ đắt hơn khoảng N lần.
Lựa chọn tăng cường nào thực sự có thể gây tổn thương cho bộ phân loại chữ số?
Việc tăng cường phải bảo toàn nhãn thực; việc lật một số chữ số nhất định sẽ thay đổi danh tính của chúng và gây ra sự thiên vị.
Trong phân đoạn, cần thêm bước nào trước khi tính trung bình đầu ra TTA?
Việc tăng cường hình học sẽ di chuyển các pixel, vì vậy mỗi mặt nạ đầu ra phải được chuyển đổi trở lại khung tọa độ ban đầu trước khi gộp.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này