Ravnest сравнила точность распределённого обучения с базовым результатом на одной машине. Результаты показывают минимальное снижение точности:
ResNet-50 на CIFAR-10 → точность на валидационной выборке 94% (базовый результат, 2 узла и 3 узла)
Inception-V3 на Tiny ImageNet → 63%
Главный вывод: распределение вычислений между 2–3 узлами позволяет сохранить точность, доказывая, что протокол распределённого обучения Ravnest не снижает производительность модели ради параллельной обработки. Это важно для всех, кто масштабирует обучение, не имея доступа к одной сверхмощной видеокарте.
ResNet-50 на CIFAR-10 → точность на валидационной выборке 94% (базовый результат, 2 узла и 3 узла)
Inception-V3 на Tiny ImageNet → 63%
Главный вывод: распределение вычислений между 2–3 узлами позволяет сохранить точность, доказывая, что протокол распределённого обучения Ravnest не снижает производительность модели ради параллельной обработки. Это важно для всех, кто масштабирует обучение, не имея доступа к одной сверхмощной видеокарте.