Klinik: Schrittweite und Startgewichte
Warum das wichtig ist Die Fehler der learning-rate und scale von Modul 8 kehren zurück, mit den Fingerabdrücken von Adam darauf.
Mit Adam bewegt sich jedes Gewicht im ersten Schritt um etwa die learning rate, egal wie sein gradient ist. Das Update-Verhältnis ist also ein direkter Auslesewert der Schrittweite: etwa 0.5 beim gesunden Durchlauf (0.01 gegenüber Gewichten nahe 0.02), etwa 15 wenn die rate viel zu hoch ist (der loss schwankt dann stark) und etwa 0.0005 wenn sie viel zu niedrig ist (der loss verlässt kaum die 4.55). Startgewichte die viel zu groß sind, machen die allerersten Vorhersagen extrem selbstbewusst und falsch: der Start-loss liegt weit über 4.55.
Jeder Fall unten ist ein Trainingslauf mit einem eingebauten Fehler. Für jeden Fall: nutze Probes um den Fehler zu finden, dann schreibe eine Korrektur als Konfigurationsänderungen, die den Lauf wieder gesund machen. Die Fehler in dieser Lektion: lr_too_high, lr_too_low, init_too_big. Ein guter Diagnostiker braucht selten mehr als zwei Probes pro Fall.
| Probe | Was es dir sagt | Gesunder Durchlauf |
|---|---|---|
loss_curve(c) | Trainingsverlust alle 25 Schritte und der Verlust auf ungesehenem Text am Ende. Schau immer zuerst. | 4.55 runter auf etwa 2.9; unsichtbar etwa 3.0 |
loss_at_init(c) | Loss vor dem Training. Ein frisches Modell, das gleichmäßig über 95 Zeichen rät, ergibt ln(95). | 4.55 |
leak_check(c) | Kann ein späteres Zeichen eine frühere Vorhersage ändern? | False |
show_batch(c) | Ein Trainingsinput und sein Ziel, als Text. | target = input moved one character left |
update_ratio(c) | Nach dem ersten Adam Schritt, wie weit sich die weights relativ zu ihrer Größe bewegt haben. Nicht die Regel von Modul 8: dieser Bereich von 0.001 bis 0.1 ist für einfache SGD Schritte. Der erste Schritt von Adam bewegt jedes weight um etwa die learning rate egal wie sein gradient ist, und diese weights starten nahe bei 0.02, also ergibt 0.01 / 0.02 etwa 0.5. Vergleiche einen Fall mit diesem gesunden Durchlauf, nicht mit dem Bereich von Modul 8. | etwa 0,5 |
block_change(c) | Wie stark der erste Block jeden Vektor am Anfang ändert. | etwa 0.3 |
Wörter und Symbole in dieser Lektion
- ln(V)
- der Startverlust eines Modells, das gleichmäßig über V Symbole rät: 4.55 für 95 Zeichen
- block ändern
- wie sehr stark ein Block einen Vektor zu Beginn ändert; nahe 1 bedeutet, dass er ihn ersetzt hat
Fülle diagnosis (Fall zum Fehlernamen) und fixes (Fall zu einem Dictionary von Konfigurationsänderungen) für die Fälle A, B und C aus. Nach deinem Fix muss jede Einstellung dem gesunden Durchlauf entsprechen.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.