deepLearn

modelInfo

##set_deeplearn ##ai ##deeplearning

Description

L'action modelInfo agit comme une véritable radiographie pour vos modèles d'apprentissage profondL'apprentissage profond (Deep Learning) est une branche de l'IA utilisant des réseaux de neurones multicouches pour modéliser des données complexes et automatiser l'extraction de caractéristiques. ! Elle affiche toutes les informations structurelles essentielles de votre modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). stocké en mémoireGemini said

Espace de stockage temporaire (RAM) utilisé par le moteur CAS pour charger et traiter les données à haute vitesse, minimisant les accès disque pour optimiser les performances de SAS Viya. . Un outil indispensable pour vérifier que votre réseau de neuronesUn réseau de neurones est un modèle d'IA bio-inspiré composé de couches de nœuds interconnectés, capable d'apprendre des relations complexes dans les données pour prédire ou classifier avec précision. a bien la tête sur les épaules avant de lancer un entraînement ou un scoringProcessus d'application d'un modèle prédictif à de nouvelles données pour calculer une probabilité ou un score, permettant ainsi d'automatiser la prise de décision en temps réel sur SAS Viya..

Syntaxe Officielle
proc cas;
deepLearn.modelInfo /
initWeights={caslib="chaine_de_caracteres", name="nom_table_poids"}
layers={"nom_couche_1", "nom_couche_2"}
modelTable={caslib="chaine_de_caracteres", name="nom_table_modele"} /* Paramètre Requis */
nThreads=entier;
quit;

Paramètres Clés

Nom du paramètre Description
initWeights Spécifie la table en mémoire contenant les poids du modèle. Ces poids sont utilisés pour initialiser le modèle. Idéal pour reprendre là où on s'était arrêté !
layers Une liste contenant les noms des couches spécifiques à inclure dans la table de sortie. Pratique si votre modèle fait 150 couches et que vous ne voulez en vérifier qu'une seule.
modelTable Spécifie la table en mémoire qui représente le modèle. C'est la star de l'action, ce paramètre est donc strictement obligatoire !
nThreads Détermine le nombre de threads à utiliser pour l'opération, pour quand vous êtes pressé. (Valeur minimale : 0).

Préparation des données

Création d'un modèle d'exemple

Avant d'inspecter un modèle, il faut bien en construire un ! Voici un script rapide pour créer un petit réseau de neurones profond (DNN) très basique en mémoire.

1PROC CAS;
2 /* Chargement de l'action set */
3 LOADACTIONSET "deepLearn";
4 /* Création d'une structure de modèle vide */
5 DEEPLEARN.buildModel / modelTable={name="MonModeleDL", replace=True} type="DNN";
6 /* Ajout d'une couche d'entrée */
7 DEEPLEARN.addLayer / modelTable={name="MonModeleDL"} name="couche_entree" layer={type="INPUT"};
8 /* Ajout d'une couche de sortie */
9 DEEPLEARN.addLayer / modelTable={name="MonModeleDL"} name="couche_sortie" srcLayers={"couche_entree"} layer={type="OUTPUT"};
10QUIT;

Exemples d'utilisation

Affichage basique des informations du modèle

Affichons simplement les informations globales de notre modèle fraîchement créé.

1PROC CAS;
2 DEEPLEARN.modelInfo / modelTable={name="MonModeleDL"};
3QUIT;
Résultat Attendu :
Une vue d'ensemble du modèle s'affiche dans les résultats, détaillant le type de modèle (DNN), le nombre de couches (2), et les spécifications de configuration de chaque couche.
Filtrage des couches et multithreading

Imaginons que nous ne souhaitions vérifier qu'une seule couche spécifique du modèle, en utilisant 4 threads pour potentiellement accélérer le processus.

1PROC CAS;
2 DEEPLEARN.modelInfo /
3 modelTable={name="MonModeleDL"}
4 layers={"couche_sortie"}
5 nThreads=4;
6QUIT;
Résultat Attendu :
La table de résultats ne contiendra les métadonnées que pour 'couche_sortie', ignorant complètement 'couche_entree'.
Sommaire