نتيجة واحدة داخل نموذجك، مع عنصر تحكم
لماذا هذا مهم درس Module 21، مطبقاً على نموذجك الخاص: درجة الـ probe لا تعني شيئاً حتى تقارنها بما يقرأه نفس الـ probe من شبكة لم يتم تدريبها أبداً.
تطلب مجموعة الفحص الخاصة بمسارك سؤالا واحدا عن كل مدخل (meaning): في مسار اللغة، "هل الحرف التالي حرف علة؟"؛ وفي مسار الصور، "أي كائن موجود في الصورة؟".
درّب خط الأساس (البذرة 0). اقرأ طبقته المخفية (studio.hidden_units(model, X)) ودرّب مسباراً خطياً على النصف الأول من مجموعة المسبار، واختبره على النصف الثاني (ssl.probe، 300 خطوة). الضابط: المسبار نفسه على شبكة غير مدرّبة بالشكل نفسه والبذرة نفسها (studio.MLP(track.n_in, width, track.n_out, seed=0)). وحدات ReLU العشوائية تحوّل المدخلات أصلاً إلى ميزات كثيرة، ويستطيع المسبار قراءة الكثير منها؛ ما فوق الضابط وحده هو ما وضعه التدريب هناك.
الكلمات والرموز في هذا الدرس
- baseline
- التشغيل البسيط الذي يتم قياس كل تغيير ضده، عبر نفس البذور
املأ trained وcontrol وbase_rate (نسبة التسمية الأكثر شيوعاً في نصف الاختبار). اضبط finding على "above control" إذا تفوّق المدرَّب على الضابط بأكثر من 0.02، وإلا على "not above control".
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.