Почему мое видение Google automl гораздо лучше, чем обученное в облаке

Question

Я новичок в Google Vision, и я только что попробовал набор данных для обучения. Я сначала тренировал его на краю и в другой раз на облачных хостингах. В обоих случаях я использовал предложенные узлы в час. Моя модель на грани намного хуже, чем на облаке. Может кто-нибудь объяснить это? они оба тренируются в облаке и должны иметь одинаковые результаты? Я думал, что разница только в том, что по краю можно экспортировать модель. Я использовал классификацию изображений С уважением

Answer 1

Да, оба действительно обучаются в облаке, но разница в том, где каждая модель предназначена для использования.

Краевые модели легче, с точки зрения размера модели и вычислений, необходимых для выполнения прогнозирования, поэтому они не так хороши, как облачные модели. Предназначение граничных моделей состоит в том, чтобы работать на граничных устройствах (например, на мобильных устройствах) , которые не обладают такой большой вычислительной мощностью, как у облачных экземпляров графического процессора. (Вероятно, именно поэтому Google позволяет экспортировать граничные модели так что их можно использовать в автономном режиме на мобильных устройствах.)

С другой стороны, модели, прошедшие обучение для использования в облаке, отдают предпочтение точности моделей, которые предназначены для работы на больших компьютерах с графическим процессором / ЦП. Существует обмен между граничными моделями и облачными моделями. У пограничных моделей низкие требования к памяти, где точность снижается и более высокая задержка, тогда как облачные модели более точны при сравнительно более высоких требованиях к памяти.