Firma używa klasyfikacji obrazów SageMaker (ImageNetV2 CNN), ale zauważa, że model pomija wiele rzadziej spotykanych gatunków zwierząt. Zebrano 10 000 oznaczonych obrazów rzadkich gatunków w S3 i planuje się trenowanie w trybie Pipe mode. Jaką kombinację kroków powinien podjąć inżynier ML? Wybierz dwie odpowiedzi.

Prawidłowe odpowiedzi to „Utwórz plik .lst zawierający listę każdego pliku obrazu i jego etykiety klasy, a następnie prześlij ten plik .lst do S3” oraz „Wykonaj transfer learning poprzez dostrojenie istniejącego modelu za pomocą obrazów rzadziej spotykanych gatunków”. Algorytm klasyfikacji obrazów SageMaker wymaga pliku .lst do trenowania w trybie Pipe mode. Ten plik zawiera ścieżki do obrazów i odpowiadające im etykiety, co jest niezbędne do prawidłowego załadowania danych. Transfer learning (uczenie transferowe) jest najlepszym podejściem, gdy dostępna jest ograniczona liczba danych dla nowych klas (rzadkie gatunki), ale istnieje już wytrenowany model (ImageNetV2 CNN) na podobnym zadaniu. Dostrojenie istniejącego modelu pozwala wykorzystać wcześniej nauczone cechy, co jest znacznie efektywniejsze niż trenowanie od podstaw. Trenowanie ResNet od podstaw z losowymi wagami jest nieefektywne i wymagałoby znacznie większej ilości danych, niż 10 000 obrazów rzadkich gatunków. Użycie modelu Inception jest opcją, ale kluczowe jest zastosowanie transfer learningu. Rozszerzony plik manifestu JSON Lines jest używany głównie z algorytmem Object Detection, a nie z algorytmem klasyfikacji obrazów w trybie Pipe mode.