train_dl_model_anomaly_dataset — Trainieren eines Deep Learning-Modells zur Anomalieerkennung.
train_dl_model_anomaly_dataset( : : DLModelHandle, DLSamples, DLTrainParam : DLTrainResult)
Der Operator train_dl_model_anomaly_dataset trainiert das
in DLModelHandle enthaltenen Deep Learning-Modell
mit 'type'='anomaly_detection' (für Deep Learning-Modell
mit 'type'='gc_anomaly_detection' siehe
train_dl_model_batch).
Dieser Operator verarbeitet den ganzen Datensatz auf einmal.
Dies ist anders als beim Operator train_dl_model_batch.
Die Iterationen über den Datensatz werden vom Operator intern durchgeführt.
Somit muss der Operator für das ganze Training des Modells nur einmal
aufgerufen werden.
Der Trainings-Datensatz wird als Tupel von Dictionaries DLSamples
übergeben.
Weitere Informationen zu den verwendeten Dictionaries und zugehörigen Keys
können im Kapitel Deep Learning / Modell gefunden werden.
Der Operator erwartet im Trainings-Datensatz zum Trainieren des Modells nur
Bilder ohne Anomalie.
Mit dem Dictionary DLTrainParam können die Hyperparameter verändert
werden. Folgende Werte werden unterstützt:
max_num_epochs:
Dieser Parameter spezifiziert die maximale Anzahl an Trainingsepochen.
Falls das durch error_threshold definierte Abbruchkriterium
bereits in einer früheren Epoche erreicht wird, wird das Training
entsprechend beendet.
Restriktion: max_num_epochs >=1.
Default: max_num_epochs = 30.
error_threshold:
Dieser Parameter ist ein Abbruchskriterium für das Training.
Ist der Trainingsfehler kleiner als der in error_threshold
gesetzte Wert, wird das Training erfolgreich abgeschlossen.
Restriktion:
0.0 <= error_threshold <= 1.0.
Default: error_threshold = 0.001.
domain_ratio:
Dieser Parameter bestimmt den Anteil an Informationen jedes Bildes,
die für das Training verwendet werden.
Da Bilder meistens
eine große Fülle von Informationen enthalten, kann es von
Vorteil sein, die Menge zu reduzieren.
Zusätzlich kann ein kleinerer Wert von domain_ratio
die Trainingszeit reduzieren.
Allerdings muss stets genügend Information übrig bleiben, weshalb dieser
Parameter nicht zu klein gesetzt werden soll.
Sonst kann passieren, dass das Trainingsergebnis nicht zufriedenstellend
ist oder das Training gar fehlschlägt.
Restriktion: 0.0 < domain_ratio <= 1.0.
Default: domain_ratio = 0.1.
regularization_noise:
Dieser Parameter ist ein Regularisierungsfaktor, der verwendet
wird, um das Training robuster zu machen.
Restriktion: regularization_noise >=0.0.
Default: regularization_noise = 0.0.
Das Ausgabe-Dictionary DLTrainResult enthält die folgenden Werte:
final_error:
Der beste Fehler, der während des Trainings erreicht wurde.
final_epoch
Die Epoche, in welcher der Fehler final_error erreicht wurde.
Der Operator train_dl_model_anomaly_dataset basiert auf Algorithmen, die
in manchen Fällen nicht deterministisch sind. Daher können Ergebnisse von
mehreren Aufrufen von train_dl_model_anomaly_dataset trotz gleicher
Eingabewerte leicht voneinander abweichen.
Systemvoraussetzungen:
Um diesen Operator auf der GPU auszuführen, indem 'runtime'
auf 'gpu' gesetzt ist (siehe get_dl_model_param),
werden cuDNN und cuBLAS benötigt. Für weitere Details wird auf den
„Installation Guide“,
Abschnitt „Requirements for Deep Learning and Deep-Learning-Based Methods“,
verwiesen. Alternativ kann dieser Operator auch auf
der CPU ausgeführt werden, indem man 'runtime' auf
'cpu' setzt.
DLModelHandle (input_control) dl_model → (handle)
Handle des Deep Learning-Modells.
DLSamples (input_control) dict-array → (handle)
Tupel von Dictionaries mit Eingabebildern und zugehörigen Informationen.
DLTrainParam (input_control) dict → (handle)
Parameter zum Trainieren des Anomalieerkennungsmodells.
Defaultwert: []
DLTrainResult (output_control) dict → (handle)
Dictionary mit den Trainingsergebnissen.
Sind die Parameterwerte korrekt, dann liefert
train_dl_model_anomaly_dataset den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine
Fehlerbehandlung durchgeführt.
read_dl_model,
set_dl_model_param,
get_dl_model_param
Foundation. Dieser Operator verwendet dynamische Lizensierung (siehe ``Installation Guide''). Welches der folgenden Module benötigt wird hängt von der Anwendung des Operators ab:
Deep Learning Training