نویسندگان:
(1) Vijay Ekambaram ، تحقیقات IBM ؛
(2) Arindam Jati ، IBM Research ؛
(3) Nam H. Nguyen ، تحقیقات IBM ؛
(4) Pankaj Dayama ، IBM Research ؛
(5) چاندرا ردی ، تحقیقات IBM ؛
(6) وسلی م. گیفورد ، تحقیقات IBM ؛
(7) جیانت کالاگنانام ، تحقیقات IBM.
یادداشت ویرایشگر: این قسمت 3 از 5 مطالعه است که جزئیات توسعه یک مدل کوچک و سریع هوش مصنوعی را ارائه می دهد که دقت عالی را ارائه می دهد. بقیه را در زیر بخوانید.
جدول پیوندها
3 گردش کار TTM
TTM در 2 مرحله کار می کند: قبل از مسیر و دقیق (شکل 1 (a)).
3.1 گردش کار قبل از آموزش
پیش از عقب نشینی چند وضوح از طریق ستون فقرات TTM
اکثریت قبل از آموزش در ستون فقرات TTM اتفاق می افتد. چالش اصلی با تکنیک پیشنهادی قبل از آموزش این است که داده های قبل از آموزش متنوع است و دارای وضوح چندگانه است. دو گزینه اصلی برای قبل از آموزش وجود دارد: انجام قبل از آموزش جداگانه برای هر نوع وضوح یا پیش از ترجمه با استفاده از کلیه داده های وضوح به صورت جمعی. در حالی که معمول است که یک مدل در هر وضوح را برای غلبه بر چالش ها در یادگیری الگوهای فصلی متنوع آموزش دهید ، این امر منجر به کاهش داده های آموزش برای هر وضوح به دلیل در دسترس بودن داده های محدود می شود. در نتیجه ، این امر باعث ایجاد اکتشاف قبل از آموزش یک مدل واحد با استفاده از مجموعه داده های تمام قطعنامه ها شد. برای دستیابی به این هدف ، ما 3 مورد زیر را پیشنهاد می کنیم …