新智元报道
本原:arXiv
编纂:好困
【新智元导读】这两年,低代码和无代码平台在被近乎猖獗地炒作,近日,苹果的研究人员似乎也要来掺和一脚,推出了一个能够自动训练模型的无代码呆板学习平台。
2021年,低代码和无代码的概念都被炒得热火朝天,各路产物就像下饺子一样簇拥而至。
前段时间GitHub推出的AI全自动代码「复制粘贴」利器Copilot,凭借着GPT-3强大的学习能力,做到了对代码「解释级」的复刻。
和低代码略有分歧,无代码平台完全不必要用户控制任何相关的知识,如Tensorflow、Python、神经收集架构等。
也不消再担心「开发人员看不上,买卖人员学不会」。
近日,苹果的研究人员似乎也要来凑这个热闹,推出了一个基于卷积神经收集(CNN)的无代码深度学习平台,称其可以深入解决地舆空间领域的复杂问题。
论文地址:https://arxiv.org/pdf/2106.11756.pdf
研究人员将项目命名为Trinity(三位一体),估计也是因为他们透露该项目有三个主要贡献:
能够行使内容转换将分歧内容集的信息转换成尺度格式;
能够将空间任务转化为语义分割问题,使其获得了尺度化的解决方式;
能够供应一个易于使用的无代码情况低落准入门槛。
Trinity模型
用户界面
项目视图为用户供应了搜刮、监控和对照实验的便当方式。
实验视图使用户可以从特性目录中选择特性,监测内容准备和模型训练,样本预测和可视化,验证训练和预测内容的分布,并查看实验的团体状态。
Trinity实验视图
在Trinity中,用户除了能够复现他人的实验,还能够为实验添加解释,以便未来参考。
除此之外Trinity还能帮忙用户认识模型的泛化水平,并根据必要进行适当修改。
深度学习内核
研究人员在Trinity的深度学习内核中打包了一些基于CNN的尺度分割布局。
用户能够从中遴选合适的架构来训练模型,或者也能够让Trinity自动选择最佳的收集架构。
此中,深度学习内核涵盖了用于语义分割的神经收集架构,并供应了模型训练、评估、指标处理和推理。
固然是基于TensorFlow实现的,但研究人员透露,能够很容易地转换到其他的框架。
模型的架构
Trinity供应了多种用于分割的编码器-解码器架构,如FCN、SegNet和UNet等。
此中,Trinity的内核是独立于平台的其他部门的,并支持多种类型的任务。
也便是说,在后续的使用中发现有性能更好的分割模型,那么就能够零丁对内核进行扩展。
多种任务类型的支持
二元分割将前景与配景像素分开,从而检测目标类是否存在。
基于活动的的道路中心线预测
多类分割能够检测多个类其余目标,例如道路类型检测——提取小巷、高速公路和坡道等分歧类型的道路。
本文地址:http://www.wbwb.net/bianchengyuyan/227268.html 转载请注明出处!