L'action dlTune déployée au sein de l'architecture in-memoryTechnique stockant les données directement dans la RAM pour un accès ultra-rapide, permettant des analyses massives et calculs complexes en temps réel sans les latences liées aux disques durs. Cloud Analytic ServicesMoteur d'exécution in-memory de SAS Viya. Il assure le traitement massivement parallèle (MPP) et distribué des données pour optimiser les performances analytiques et le passage à l'échelle. révolutionne l'approche de la modélisationProcessus de création de structures mathématiques ou statistiques sur SAS Viya pour prédire des comportements, classifier des données ou identifier des tendances à partir de jeux de données CAS. en automatisant la recherche des hyperparamètres optimaux. Plutôt que de procéder par essais et erreurs manuels, qui s'avèrent coûteux en temps de calcul, cette fonction évalue dynamiquement des dizaines de configurations algorithmiques. Elle tire parti du traitement massivement parallèle de SAS Viya pour répartir l'évaluation des hyperparamètres sur de multiples nœuds de données. En trouvant la combinaison parfaite (taux d'apprentissage, régularisation, architecture des couches) via des algorithmes de recherche sophistiqués, elle garantit des modèles de Deep LearningSous-ensemble du Machine Learning basé sur des réseaux de neurones artificiels profonds. Il excelle dans l'extraction automatique de motifs complexes depuis des données brutes (images, texte, son). à la fois plus précis et plus rapides à converger, maximisant ainsi l'impact métier final.
Comment l'action dlTune maximise-t-elle le retour sur investissement de vos projets d'intelligence artificielle ?
Exemples pour l'action dlTune
Optimisation basique (Tuning)
Exemple d'optimisation simple d'un modèle avec l'algorithme ADAM, en définissant une petite recherche sur le taux d'apprentissage.
Tuning intensif avec GPU et sauvegarde des meilleurs poids
Une recherche d'hyperparamètres avancée exploitant le GPU, avec recherche sur le taux d'apprentissage et la taille du mini-batch, en sauvegardant le meilleur état de poids.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Quelles stratégies avancées l'optimiseur propose-t-il pour empêcher le surapprentissage lors de l'exploration des hyperparamètres ?
Quels sont les algorithmes de résolution mathématique mobilisables pour la descente de gradient ?
Comment orchestrer l'accélération matérielle GPU et la précision des calculs pour des performances extrêmes ?
De quelle manière l'action gère-t-elle la persistance de l'état d'optimisation lors d'entraînements longs ou interrompus ?