L'action dlmzTrain permet d'entraîner des modèles de Deep LearningSous-ensemble du Machine Learning basé sur des réseaux de neurones artificiels profonds. Il excelle dans l'extraction automatique de motifs complexes depuis des données brutes (images, texte, son). avancés au sein de l'environnement SAS Viya. Elle s'appuie nativement sur le framework PyTorchPyTorch est un framework open source d'apprentissage profond (Deep Learning) facilitant la création de graphes de calcul dynamiques et l'entraînement de modèles de réseaux de neurones complexes. pour offrir des performances optimales lors de la création, de l'entraînement et de l'évaluation de réseaux de neurones complexes en exploitant les tables résilientes 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..
Quel est le rôle principal de l'action dlmzTrain dans SAS Viya et sur quel framework repose-t-elle ?
Maîtrise de l'action dlmzTrain
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.
Conseil de l'Expert
Pour optimiser vos entraînements, privilégiez toujours le format de table SASHDAT pour vos jeux de données volumineux. Cela permet un chargement en mémoire ultra-rapide via le "memory-mapping", évitant ainsi les goulots d'étranglement I/O lors des phases intensives de calcul GPU.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Comment cette action gère-t-elle la distribution des données pour accélérer l'entraînement sur des architectures massivement parallèles ?
Quels algorithmes d'optimisation sont disponibles et comment prévenir le phénomène de surapprentissage lors de l'entraînement ?
Est-il possible d'automatiser la recherche des meilleurs hyperparamètres pendant l'entraînement du modèle pour un gain de temps business ?
L'action supporte-t-elle le Transfer Learning ou le gel de couches pour affiner un modèle pré-entraîné à nos données spécifiques ?
Comment puis-je transmettre des configurations complexes PyTorch qui ne sont pas exposées nativement dans les paramètres de l'action ?