Deep-Learning-Tutorial: Einsatz des trainierten Modells auf der Zielhardware
Willkommen bei den Jetsons
Der Weg trainierter Modelle auf die eigentlichen Zielsysteme fällt mitunter sehr verschieden aus. Dabei müssen Entwickler vor allem auf die Leistung und den Stromverbrauch achten.
Die letzten beiden Teile dieses Tutorials haben viel über die Auswahl und die Beschaffung geeigneter Daten und ihre Aufbereitung für das Training von Deep-Learning-Modellen für die Objekterkennung erklärt. Dabei haben Entwicklerinnen anhand von Python und dem frei verfügbaren Google Colab gesehen, wie sich die Daten innerhalb einer Jupyter-Notebook-Umgebung nutzen lassen und wie sich die Trainingszeit durch Hardwarebeschleunigung verkleinern lässt.
Notebooks und Colab stehen hierbei stellvertretend für die Werkzeuge, mit denen man derzeit Machine-Learning-Modelle entwickelt und trainiert. Die Cloud eignet sich hervorragend als Trainingsplatz, was nicht nur daran liegt, dass alle großen Cloud-Anbieter Notebookumgebungen bereitstellen, sondern sich diese on demand skalieren lassen. Wenn absehbar ist, dass ein Modelltraining auf der gebuchten Hardware mehrere Tage in Anspruch nimmt, können Entwickler in der Cloud mit größerer Hardware die Trainingszeit verkürzen.