Google, TensorFlow और PyTorch में त्वरित और कुशल छवि वर्गीकरण के लिए कुछ शॉट-डीप लर्निंग के साथ मुफ्त मेटा-डेटासैट प्रदान करता है और मशीन लर्निंग एल्गोरिदम।

Google Pixel 5?

गूगल के पास है कई डेटासेट की उपलब्धता की घोषणा की विविध लेकिन सीमित प्राकृतिक छवियों से युक्त। खोज विशाल को विश्वास है कि सार्वजनिक रूप से उपलब्ध डेटा की गति को बढ़ाएगा मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस कम से कम डेटा पर AI मॉडल को प्रशिक्षित करने में लगने वाले समय को कम करते हुए। Google नई पहल को 'फ्री मेटा-डेटासेट' कह रहा है जो एआई मॉडल को कम डेटा पर 'सीखने' में मदद करेगा। कंपनी से is Few-Shot AI 'यह सुनिश्चित करने के लिए अनुकूलित है कि AI केवल कुछ प्रतिनिधि छवियों से नई कक्षाएं सीखता है।

कम डेटासेट के साथ AI और मशीन लर्निंग मॉडल को जल्दी से प्रशिक्षित करने की आवश्यकता को समझते हुए, Google ने ‘मेटा-डेटासेट’ लॉन्च किया है, छवियों का एक छोटा संग्रह जो एल्गोरिदम की सटीकता में सुधार के लिए आवश्यक डेटा की मात्रा को कम करने में मदद करना चाहिए। कंपनी का दावा है कि कुछ शॉट इमेज वर्गीकरण तकनीकों का उपयोग करके, AI और एमएल मॉडल बहुत कम प्रतिनिधि छवियों से समान अंतर्दृष्टि प्राप्त करेंगे।

Google AI ने मेटा-डेटासेट की घोषणा की: डेटासैट फॉर एव-शॉट लर्निंग का डेटासेट:

एआई और मशीन लर्निंग के लिए डीप लर्निंग काफी समय से तेजी से बढ़ रहा है। हालांकि, मुख्य आवश्यकता उच्च-गुणवत्ता वाले डेटा की उपलब्धता है और वह भी बड़ी मात्रा में। मैन्युअल रूप से एनोटेट प्रशिक्षण डेटा की बड़ी मात्रा में अक्सर खरीद करना मुश्किल होता है और कभी-कभी अविश्वसनीय भी हो सकता है। बड़े डेटासेट के जोखिम को समझते हुए, Google ने मेटा-डेटासेट के संग्रह की उपलब्धता की घोषणा की है।

के माध्यम से ' मेटा-डेटसेट: कुछ उदाहरणों से सीखने के लिए डेटासेट का डेटासेट ”(प्रस्तुत किया गया ICLR 2020 ), Google ने एक यथार्थवादी और चुनौतीपूर्ण कुछ-शॉट सेटिंग में विभिन्न छवि वर्गीकरण मॉडल की क्षमता को मापने के लिए एक बड़े पैमाने पर और विविध बेंचमार्क का प्रस्ताव किया है, जिसमें एक फ्रेमवर्क की पेशकश की जा रही है जिसमें कुछ लोग शॉट-शॉट वर्गीकरण के कई महत्वपूर्ण पहलुओं की जांच कर सकते हैं। अनिवार्य रूप से, Google प्राकृतिक छवियों के डेटासेट का उपयोग करने के लिए 10 सार्वजनिक रूप से उपलब्ध और मुफ्त की पेशकश कर रहा है। इन डेटासेट में ImageNet, CUB-200-2011, Fungi, हस्तलिखित अक्षर और डूडल शामिल हैं। कोड है जनता और एक शामिल हैं स्मरण पुस्तक यह दर्शाता है कि मेटा-डेटासेट का उपयोग कैसे किया जा सकता है TensorFlow तथा PyTorch ।

कुछ शॉट वर्गीकरण से परे चला जाता है मानक प्रशिक्षण और गहन शिक्षण मॉडल । परीक्षण के समय में पूरी तरह से नई कक्षाओं के लिए यह सामान्यीकरण लेता है। दूसरे शब्दों में, परीक्षण के दौरान उपयोग की गई छवियों को प्रशिक्षण में नहीं देखा गया था। कुछ-शॉट वर्गीकरण में, प्रशिक्षण सेट में वे वर्ग होते हैं जो पूरी तरह से उन लोगों से असंतुष्ट होते हैं जो परीक्षण के समय दिखाई देंगे। प्रत्येक परीक्षण कार्य में ए शामिल है समर्थन सेट कुछ लेबल वाली छवियां जिनसे मॉडल नई कक्षाओं और एक असहमति के बारे में जान सकता है क्वेरी सेट फिर मॉडल को वर्गीकृत करने के लिए कहा जाता है।

मेटा-डेटसेट एक बड़ा घटक है जिसमें मॉडल पूरी तरह से नए डेटासेट के सामान्यीकरण का अध्ययन करता है जिससे प्रशिक्षण में किसी भी वर्ग का कोई चित्र नहीं देखा गया था। यह कुछ शॉट सीखने के सेटअप में निहित नई कक्षाओं के लिए कठिन सामान्यीकरण चुनौती के अतिरिक्त है।

एआई और मशीन लर्निंग मॉडल के लिए मेटा-डेटासेट डीप लर्निंग कैसे मदद करता है?

मेटा-डेटासेट क्रॉस-डेटासेट के लिए सबसे बड़े पैमाने पर संगठित बेंचमार्क का प्रतिनिधित्व करता है, आज तक कुछ-शॉट छवि वर्गीकरण। यह अलग-अलग विशेषताओं और कठिनाई के कार्यों को उत्पन्न करने के लिए एक नमूना एल्गोरिथ्म का भी परिचय देता है, प्रत्येक कार्य में कक्षाओं की संख्या को अलग-अलग करके, प्रत्येक वर्ग के लिए उपलब्ध उदाहरणों की संख्या, वर्ग असंतुलन को पेश करता है, और, कुछ डेटासेटों के बीच समानता की डिग्री बदलती है प्रत्येक कार्य की कक्षाएं।

मेटा-डेटसेट कुछ-शॉट वर्गीकरण के लिए नई चुनौतियां पेश करता है। Google का शोध अभी भी प्रारंभिक है और इसमें बहुत कुछ शामिल है। हालांकि, खोज की दिग्गज कंपनी ने दावा किया है कि शोधकर्ताओं को सफलता का अनुभव हो रहा है। कुछ उल्लेखनीय उदाहरणों में चतुराई से डिजाइन का उपयोग करना शामिल है टास्क कंडीशनिंग , और अधिक परिष्कृत हाइपरपरेटिंग ट्यूनिंग , सेवा ' मेटा-आधारभूत 'जो पूर्व-प्रशिक्षण और मेटा-लर्निंग के लाभों को जोड़ता है, और अंत में उपयोग करता है फीचर चयन प्रत्येक कार्य के लिए एक सार्वभौमिक प्रतिनिधित्व करने के लिए विशेषज्ञ।