-3
하드웨어가 전체 교육 데이터를 지원할 수없는 대규모 교육 데이터에서 기계 학습 모델을 교육하기위한 방법이 있는지 궁금합니다.하드웨어 제약 조건이있는 기계 학습 모델 교육
A
답변
1
이 증분 학습의 실존뿐만 아니라 기술과 같은 확률 그라데이션 하강 (및 미니 배치 일반화)에 대한 중요한 이유 중 하나입니다; 일반적으로 하드웨어 (GPU 등)에 맞춰야하는 유일한 것은 모델 자체이며 교육 데이터의 작은 배치를 구문 분석 할 수있는 충분한 용량을 갖추고 있습니다. 특히 모든 현대 신경망은 이러한 방식으로 교육됩니다 (데이터가 일괄 적으로 모델을 통해 전송되는 경우 전체 데이터 세트를 메모리에 저장하지 않아도됩니다).
관련 문제
- 1. 기계 학습 교육 자료 구조
- 2. 기계 학습 : 중요도 별 가중치 교육 점수
- 3. 선형 회귀 기계 거대한 데이터로 모델 학습 학습
- 4. 기계 학습 모델 많이 - 저장 및로드
- 5. 기계 학습, 테스트에 훈련 모델 적용
- 6. 기계 학습 - 훈련 단계
- 7. GATE 도구로 기계 학습
- 8. 2PB의 데이터를 가진 Buidling 기계 학습 모델
- 9. R 기계 학습 모델 배포 웹 서비스로
- 10. 병렬 XGBoost 기계 학습 기술에
- 11. 텍스트가 포함 된 교육 세트에서 기계 학습 분류자를 어떻게 사용해야합니까?
- 12. 기계 학습 사례 기반 학습
- 13. 다중 출력 - 다중 기계 기계 학습 (Python)
- 14. 기계 학습 - 분류 기준 평가
- 15. 기계 학습 모델의 크기가 다른가요?
- 16. 구글 클라우드 기계 학습 오류
- 17. 구글 기계 학습 엔진 구글 기계 학습 엔진의 파이썬 3
- 18. Azure 함수를 사용하여 파이썬 기계 학습 모델 배포
- 19. 기계 학습 모델은 어떻게 업데이트됩니까?
- 20. 기계 학습 작업 추천자
- 21. 기계 학습 udacity
- 22. 기계 학습 웹 서비스
- 23. LGPL 기계 학습 - C++
- 24. 기계 학습 - 분류 알고리즘
- 25. 기계 학습 개발 환경
- 26. AWS 기계 학습 문제
- 27. 계산 엔트로피 (기계 학습)
- 28. 기계 학습 이미지
- 29. 기계 학습 - 퍼셉트론
- 30. 익스트림 학습 기계
이 질문은 스택 오버플로에 너무 광범위합니다. –
이것은 당신이보고있는 데이터의 종류에 달려있는 매우 광범위한 질문입니다. 내가 처음으로 보게 될 것은 데이터를 반복적으로 처리 할 수있는 모델인데, 이는 메모리에 전체 교육 세트가 필요하지 않을 것입니다. 가장 좋은 방법은 그와 같은 것을 시도하고 문제가 생겼을 때 질문을하는 것입니다. – danielunderwood