قراءة منحنى الخسارة
لماذا هذا مهم تقوم عملية التدريب بطباعة loss بعد كل تمريرة على البيانات. معرفة متى توقفت العملية عن التحسن تخبرك متى يجب عليك إيقاف التدريب.
A عادة على رقمين لكل epoch (مرور واحد على البيانات): الخسارة على بيانات التدريب، والخسارة على بيانات التحقق المحجوزة التي لا يتدرب عليها النموذج أبدا. خسارة التدريب تستمر في الانخفاض دائما تقريبا. خسارة التحقق تنخفض، ثم غالبا ما تعود للارتفاع: بدأ النموذج في حفظ بيانات التدريب بدلا من تعلم النمط.
Epoch: دورة كاملة واحدة عبر بيانات التدريب.
أفضل لحظة للتوقف هي الحقبة التي يكون فيها validation loss هو الأقل. np.argmin يجد موقع أصغر قيمة.
ملخصراقب validation loss وليس training loss. أدنى نقطة له هي أفضل نموذج لك.
الكلمات والرموز في هذا الدرس
- array
- كتلة NumPy من الأرقام، كلها من نفس النوع، تقوم بعمليات حسابية على كل عنصر في وقت واحد
- epoch
- one تمرير كامل على بيانات التدريب
تم إعطاء
train_loss و val_loss (الحقب من 1 إلى 15). اضبط best_epoch على رقم الحقبة (بدءا من 1) التي تمتلك أقل loss للتحقق، وقم برسم كلا المنحنيين على ax مع تسميات "train" و "validation"، بهذا الترتيب.
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.