Comment puis-je transmettre des configurations complexes PyTorch qui ne sont pas exposées nativement dans les paramètres de l'action ?

Pour les architectes de solutions Data et les Data ScientistsExperts extrayant des connaissances via des méthodes statistiques, algorithmes et IA. Ils transforment les données brutes en insights stratégiques pour résoudre des problèmes métier complexes. nécessitant une personnalisation très fine, l'action inclut le paramètre extraOptions. Celui-ci prend en charge la définition d'options personnalisées sous forme de chaîne de caractères au format YAML. Par exemple, si vous devez injecter des paramètres structurels ou des architectures réseau non standard lors de l'appel, vous pouvez passer un bloc complet en CASLLangage de script de SAS Viya utilisé pour interagir avec le serveur CAS. Il permet de combiner des actions CAS, de gérer la logique de programmation et de manipuler les résultats en mémoire. tel que :

extraOptions = { yaml = "votre configuration complexe yaml sur plusieurs lignes" }

Cette flexibilité permet d'étendre considérablement les capacités standard du composant Model Zoo.

Exemples pour l'action dlmztrain

Entraînement basique d'un modèle de Deep Learning

Cet exemple montre comment lancer un entraînement simple avec l'optimiseur ADAM sur 5 époques à partir de données d'images.

Entraînement avancé avec Validation, accélération GPU et Arrêt Prématuré

Ici on sort l'artillerie lourde : utilisation de GPU multiples, d'un jeu de validation croisée, de l'optimiseur SGD avec momentum, et d'un mécanisme d'arrêt prématuré (Early Stopping) si la perte de validation stagne pendant 3 époques consécutives.