Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Von Bedeutung
Dieses Feature befindet sich in der Public Preview.
Diese Beispiele trainieren Computer-Vision-Modelle in AI Runtime. Sie behandeln Bildklassifikation, Hyperparameter-Tuning mit Ray Tune und Objekterkennung.
| Example | Interface | Beschreibung |
|---|---|---|
| Bildklassifizierung mit konvolutionalem neuralem Netzwerk | Notebook | Dieses Notebook bietet ein einfaches Beispiel für das Trainieren eines neuralen 2D-Konvolutionsnetzes auf serverlosen GPUs für die Bildklassifizierung. |
| CIFAR-10-Hyperparameter-Abstimmung mit Ray Tune | Notebook | Dieses Notebook führt parallele Tests mit GPU-Teilressourcen für einen PyTorch-Bildklassifikator aus und verwendet den asynchronen Successive-Halving-Algorithmus (ASHA), um leistungsschwache Konfigurationen frühzeitig zu stoppen. |
| Objekterkennung mit RetinaNet | Notebook | Dieses Notizbuch veranschaulicht, wie Sie ein Objekterkennungsmodell mithilfe von RetinaNet auf serverlosen GPU trainieren. |
| Objekterkennung mit YOLO11n | Notebook | Dieses Notizbuch veranschaulicht, wie Sie ein YOLO11n-Objekterkennungsmodell auf dem COCO128-Dataset mithilfe serverloser GPU mit MLflow-Tracking und Model Serving-Bereitstellung trainieren. |
| ResNet-50-Feinabstimmung auf Imagenette | CLI | Verwenden Sie Ray Train, um ResNet-50 mit einem verteilten Daten-Parallelworker pro A10-GPU über zwei Knoten zu optimieren und Metriken in MLflow zu protokollieren. |