Vessl AI: замена весов и смещений?
Weights and Biases — очень популярный и широко используемый инструмент для экспериментов с моделями и визуализации. Но так ли он хорош, как Vessl AI? Vessl AI — это новая южнокорейская компания, которая берет лучшее от Weights and Biases и интегрирует облачные вычисления. Я попробовал это с системой рекомендаций фильмов, чтобы увидеть, как это складывается.
Vessl AI запускает ваши модели в вашей локальной системе, в их облачной службе или (в конечном итоге) в сторонней облачной службе. Это дает пользователям возможность гибко настраивать обучение модели с учетом требований к времени, стоимости и ресурсам.
Как и веса и смещения, Vessl AI позволяет вам визуализировать обучение вашей модели с помощью таблиц и графиков. Это позволяет вам строить графики, отображающие метрики, такие как точность, прецизионность или полнота в зависимости от эпохи или настенных часов.
Этот интерфейс очень похож на Weights and Biases и заполняет таблицу в режиме реального времени по мере обучения моделей. Диаграммы настраиваются для любой метрики, которую модель возвращает во время обучения. Вы можете создавать диаграммы до, во время и после выполнения в зависимости от ваших потребностей.
В чем Vessl AI начинает опережать Weights and Biases, так это в интеграции с облаком. Вычислительные ресурсы по умолчанию предоставляются облачным сервисом Vessl AI, размещенным на AWS. Облачный сервис предоставляет 12 различных конфигураций экземпляров, начиная от небольших процессоров и заканчивая многоядерными графическими процессорами с большим объемом памяти.
Если вы предпочитаете использовать свой собственный облачный экземпляр, разрабатываются сторонние облачные вычисления, такие как AWS и Google Cloud. Их можно выбрать вместо стандартного облака Vessl AI.
Будучи основанным на облаке, это позволяет пользователям интегрировать репозитории Github непосредственно в проекты. Это способствует возможности пользователя использовать контроль версий и постоянное обновление.
После создания проекта запустить эксперимент так же просто, как ввести файл .py для выполнения с указанными гиперпараметрами.
Но если вы не хотите тратить непомерную сумму на облачные вычисления, Vessl AI предлагает локальную вычислительную интеграцию с одним или несколькими узлами. Кластеры можно создавать и запускать в вашей локальной системе или в локальном многоузловом кластере.
Хотя это отличная возможность, процесс настройки немного глубже, чем «Веса и смещения». В то время как Weights and Biases — это простой оператор импорта в вашем коде, Vessl AI требует от вас создать кластер kubernetes и настроить подключение к облаку Vessl AI.
Хотя облачные вычисления были относительно простыми, это было для меня серьезным препятствием. Я потратил на это несколько часов и, в конце концов, не смог полностью интегрировать свой локальный кластер с Vessl AI.
Используя облачные ресурсы Vessl AI, я протестировал модель на данных рекомендаций фильмов. Как показано выше, я смог проверить различные гиперпараметры модели. Графики показывают, как различные гиперпараметры влияют на процесс обучения. Исходя из этого, вы можете выбрать гиперпараметры в зависимости от того, хотите ли вы расставить приоритеты в точности, точности или времени обучения.
Плюсы:
- Облачная интеграция
- Простой в использовании интерфейс для анализа обучения модели
- Интеграция с гитхабом
Минусы:
- Сложная локальная интеграция
- Нет поддержки сторонних облачных сервисов (AWS, Google Cloud и т. д.)
- Нет бесплатных/пробных кредитов для вычислений на облачных ресурсах Vessl AI
В целом, это отличный инструмент, если вы ищете новую версию Weights and Biases, которая объединяет облачные вычисления. Тем не менее, будучи новой компанией, у нее есть возможности для улучшения, чтобы охватить тех, кто не является инженерами-программистами.
