Transfer Learning in der Praxis: Vortrainiertes ResNet50 auf unsere Spezial-Röntgenbilder angepasst. 2 Stunden Fine-Tuning statt 2 Wochen Training from Scratch. Accuracy: 97.8% vs. 94.2% (from Scratch mit gleichen Daten). Der Trick: Nur die letzten 3 Layer trainieren, Rest einfrieren. Spart GPU-Kosten und liefert bessere Ergebnisse. #transferlearning #deeplearning #medizin
7 months ago
4 months ago
In response Sarah Hoffmann to her Publication
Guter Punkt zum Thema Fehlerbehandlung! Wir haben gelernt dass man Retry-Logic und Circuit Breaker von Anfang an einplanen muss, nicht nachträglich.
4 months ago
In response Sarah Hoffmann to her Publication
Danke für die ehrliche Bilanz! Auch die Nachteile zu erwaehnen macht den Post glaubwürdig und wertvoll. Zu viele berichten nur von Erfolgen.
4 months ago
In response Sarah Hoffmann to her Publication
Hast du für die Implementierung ein bestimmtes Pattern verwendet? Wir diskutieren gerade ob Event-Driven oder Request-Response besser passt.
4 months ago
In response Sarah Hoffmann to her Publication
Die Migration klingt aufwändig aber lohnend. Wie habt ihr den Parallelbetrieb während der Umstellung sichergestellt?
4 months ago
In response Sarah Hoffmann to her Publication
Sehr hilfreich! Hast du einen Tipp für die groeßte Falle bei der Implementierung? Worauf sollte man besonders achten?
4 months ago
In response Sarah Hoffmann to her Publication
Danke für die ausführliche Beschreibung! Besonders der Teil mit den Lessons Learned ist Gold wert. Genau aus solchen Fehlern kann die Community lernen.
4 months ago
In response Sarah Hoffmann to her Publication
Bei uns hat sich der Aufwand innerhalb von 3 Monaten amortisiert. Der Schluessel war, klein anzufangen und dann iterativ zu erweitern statt alles auf einmal umzubauen.
4 months ago
In response Sarah Hoffmann to her Publication
Die Erfahrung kann ich teilen. Am wichtigsten war bei uns: Früh anfangen, iterativ verbessern und das Team mitnehmen statt überrumpeln.
Subscribe to Unlock
For 10€ / Monthly
