Praktisches Deep Learning für Cloud, Mobile und Edge

Kapitel 5. Vom Novizen zum Meister der Vorhersage: Maximierung der Genauigkeit von Faltungsneuronalen Netzen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In Kapitel 1 haben wir uns mit der Bedeutung einer verantwortungsvollen KI-Entwicklung befasst. Ein der Aspekte, die wir besprochen haben, war die Bedeutung der Robustheit unserer Modelle. Die Nutzerinnen und Nutzer können dem, was wir entwickeln, nur dann vertrauen, wenn sie sicher sein können, dass die KI, mit der sie tagtäglich zu tun haben, genau und zuverlässig ist. Natürlich spielt der Kontext der Anwendung eine große Rolle. Es wäre in Ordnung, wenn ein Lebensmittelklassifikator gelegentlich Nudeln falsch als Brot klassifizieren würde. Aber es wäre gefährlich, wenn ein selbstfahrendes Auto einen Fußgänger als Fahrbahn falsch einordnen würde. Das Hauptziel dieses Kapitels ist also ein sehr wichtiges: genauere Modelle zu entwickeln.

In diesem Kapitel wirst du ein Gespür dafür entwickeln, wie du die Genauigkeit deines Modells verbessern kannst, wenn du das nächste Mal mit dem Training beginnst. Zuerst schauen wir uns die Werkzeuge an, die sicherstellen, dass du nicht blind loslegst. Danach gehen wir einen großen Teil dieses Kapitels sehr experimentell vor, indem wir eine Basislinie erstellen, einzelne Parameter verändern und ihre Auswirkungen auf die Modellleistung und die Trainingsgeschwindigkeit beobachten. Ein großer Teil des Codes, ...