టెన్సార్ ఫ్లో మరియు పైటోర్చ్‌లో శీఘ్ర మరియు సమర్థవంతమైన చిత్ర వర్గీకరణ కోసం గూగుల్ కొన్ని షాట్ డీప్ లెర్నింగ్ AI మరియు మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లతో ఉచిత మెటా-డేటాసెట్‌లను అందిస్తుంది.

గూగుల్ పిక్సెల్ 5?

గూగుల్ ఉంది బహుళ డేటాసెట్ల లభ్యతను ప్రకటించింది విభిన్నమైన కానీ పరిమితమైన సహజ చిత్రాలను కలిగి ఉంటుంది. శోధన దిగ్గజం బహిరంగంగా లభించే డేటా వేగాన్ని పెంచుతుందని నమ్మకంగా ఉంది మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ AI మోడళ్లకు కనీస డేటాపై శిక్షణ ఇవ్వడానికి తీసుకున్న సమయాన్ని తగ్గిస్తుంది. గూగుల్ కొత్త డేటాను ‘ఉచిత మెటా-డేటాసెట్‌లు’ అని పిలుస్తోంది, ఇది AI మోడళ్లకు తక్కువ డేటాపై ‘తెలుసుకోవడానికి’ సహాయపడుతుంది. సంస్థ నుండి వచ్చిన ‘ఫ్యూ-షాట్ AI’ కొన్ని ప్రాతినిధ్య చిత్రాల నుండి AI కొత్త తరగతులను నేర్చుకుంటుందని నిర్ధారించడానికి ఆప్టిమైజ్ చేయబడింది.

తక్కువ డేటాసెట్‌లతో AI మరియు మెషిన్ లెర్నింగ్ మోడళ్లకు త్వరగా శిక్షణ ఇవ్వవలసిన అవసరాన్ని అర్థం చేసుకున్న గూగుల్, అల్గోరిథంల యొక్క ఖచ్చితత్వాన్ని మెరుగుపరచడానికి అవసరమైన డేటా మొత్తాన్ని తగ్గించడంలో సహాయపడే చిత్రాల చిన్న సేకరణ ‘మెటా-డేటాసెట్’ ను ప్రారంభించింది. కొన్ని-షాట్ ఇమేజ్ వర్గీకరణ పద్ధతులను ఉపయోగించి, AI మరియు ML నమూనాలు చాలా తక్కువ ప్రాతినిధ్య చిత్రాల నుండి ఒకే అంతర్దృష్టిని పొందుతాయని కంపెనీ పేర్కొంది.

గూగుల్ AI మెటా-డేటాసెట్‌ను ప్రకటించింది: కొన్ని-షాట్ లెర్నింగ్ కోసం డేటాసెట్ల డేటాసెట్:

AI మరియు మెషిన్ లెర్నింగ్ కోసం డీప్ లెర్నింగ్ కొంతకాలంగా విపరీతంగా పెరుగుతోంది. ఏదేమైనా, అధిక-నాణ్యత డేటా లభ్యత మరియు అది కూడా పెద్ద మొత్తంలో అవసరం. మానవీయంగా ఉల్లేఖించిన శిక్షణ డేటా పెద్ద మొత్తంలో సేకరించడం చాలా కష్టం మరియు కొన్నిసార్లు నమ్మదగనిది కావచ్చు. పెద్ద డేటాసెట్ల నష్టాలను అర్థం చేసుకుని, గూగుల్ మెటా-డేటాసెట్ల సేకరణ లభ్యతను ప్రకటించింది.

ద్వారా ' మెటా-డేటాసెట్: కొన్ని ఉదాహరణల నుండి నేర్చుకోవడం నేర్చుకోవడం కోసం డేటాసెట్ల డేటాసెట్ ”(సమర్పించారు ఐసిఎల్ఆర్ 2020 ), విభిన్న చిత్ర వర్గీకరణ నమూనాల సామర్థ్యాన్ని వాస్తవిక మరియు సవాలు చేసే కొన్ని-షాట్ సెట్టింగ్‌లో కొలవడానికి గూగుల్ పెద్ద ఎత్తున మరియు విభిన్నమైన బెంచ్‌మార్క్‌ను ప్రతిపాదించింది, కొన్ని-షాట్ వర్గీకరణ యొక్క అనేక ముఖ్యమైన అంశాలను పరిశోధించగల ఒక ఫ్రేమ్‌వర్క్‌ను అందిస్తుంది. ముఖ్యంగా, గూగుల్ 10 బహిరంగంగా అందుబాటులో ఉంది మరియు సహజ చిత్రాల డేటాసెట్లను ఉపయోగించడానికి ఉచితం. ఈ డేటాసెట్లలో ఇమేజ్ నెట్, CUB-200-2011, శిలీంధ్రాలు, చేతితో రాసిన అక్షరాలు మరియు డూడుల్స్ ఉంటాయి. కోడ్ ఉంది ప్రజా మరియు వీటిని కలిగి ఉంటుంది నోట్బుక్ ఇది మెటా-డేటాసెట్‌ను ఎలా ఉపయోగించవచ్చో చూపిస్తుంది టెన్సర్ ఫ్లో మరియు పైటోర్చ్ .

కొన్ని-షాట్ వర్గీకరణ మించిపోయింది ప్రామాణిక శిక్షణ మరియు లోతైన అభ్యాస నమూనాలు . పరీక్ష సమయంలో పూర్తిగా క్రొత్త తరగతులకు సాధారణీకరణ అవసరం. మరో మాటలో చెప్పాలంటే, పరీక్ష సమయంలో ఉపయోగించిన చిత్రాలు శిక్షణలో కనిపించలేదు. కొన్ని-షాట్ వర్గీకరణలో, శిక్షణా సమితిలో పరీక్షా సమయంలో కనిపించే వాటి నుండి పూర్తిగా విభేదించే తరగతులు ఉంటాయి. ప్రతి పరీక్ష పనిలో a మద్దతు సెట్ కొన్ని కొత్త లేబుల్ చిత్రాల నుండి మోడల్ కొత్త తరగతుల గురించి తెలుసుకోవచ్చు ప్రశ్న సెట్ మోడల్‌ను వర్గీకరించమని అడిగిన ఉదాహరణలు.

మెటా-డేటాసెట్ ఒక పెద్ద భాగం మోడల్ పూర్తిగా కొత్త డేటాసెట్లకు సాధారణీకరణను అధ్యయనం చేస్తుంది , దీని నుండి శిక్షణలో ఏ తరగతి చిత్రాలు కనిపించలేదు. ఇది కొన్ని-షాట్ లెర్నింగ్ సెటప్‌లో అంతర్లీనంగా ఉన్న కొత్త తరగతులకు కఠినమైన సాధారణీకరణ సవాలుకు అదనంగా ఉంటుంది.

AI మరియు మెషిన్ లెర్నింగ్ మోడళ్ల కోసం డీప్ లెర్నింగ్‌కు మెటా-డేటాసెట్ ఎలా సహాయపడుతుంది?

మెటా-డేటాసెట్ క్రాస్-డేటాసెట్, ఇప్పటి వరకు కొన్ని-షాట్ ఇమేజ్ వర్గీకరణ కోసం అతిపెద్ద-స్థాయి వ్యవస్థీకృత బెంచ్‌మార్క్‌ను సూచిస్తుంది. ప్రతి పనిలో తరగతుల సంఖ్య, తరగతికి అందుబాటులో ఉన్న ఉదాహరణల సంఖ్య, తరగతి అసమతుల్యతను పరిచయం చేయడం మరియు కొన్ని డేటాసెట్ల కోసం, మధ్య సారూప్యత స్థాయిని మార్చడం ద్వారా, విభిన్న లక్షణాలు మరియు కష్టతరమైన పనులను రూపొందించడానికి ఇది ఒక నమూనా అల్గోరిథంను పరిచయం చేస్తుంది. ప్రతి పని యొక్క తరగతులు.

మెటా-డేటాసెట్ కొన్ని షాట్ల వర్గీకరణ కోసం కొత్త సవాళ్లను పరిచయం చేస్తుంది. గూగుల్ యొక్క పరిశోధన ఇంకా ప్రాథమికంగా ఉంది మరియు కవర్ చేయడానికి చాలా స్థలం ఉంది. అయితే, పరిశోధకులు విజయం సాధిస్తున్నారని సెర్చ్ దిగ్గజం పేర్కొంది. గుర్తించదగిన ఉదాహరణలలో కొన్ని తెలివిగా రూపొందించినవి పని కండిషనింగ్ , మరింత అధునాతనమైనది హైపారామీటర్ ట్యూనింగ్ , to ' మెటా-బేస్లైన్ ప్రీ-ట్రైనింగ్ మరియు మెటా-లెర్నింగ్ యొక్క ప్రయోజనాలను మిళితం చేస్తుంది మరియు చివరకు ఉపయోగించడం ఫీచర్ ఎంపిక ప్రతి పనికి సార్వత్రిక ప్రాతినిధ్యం ప్రత్యేకత.