یک یافته درون مدلتان، با یک کنترل
چرا مهم است درس ماژول 21، اعمالشده بر مدل خودتان: امتیاز یک کاوشگر هیچ معنایی ندارد تا وقتی آن را با آنچه همان کاوشگر از شبکهای که هرگز آموزش ندیده میخواند مقایسه کنید.
مجموعهٔ کاوشگر برای مسیر شما یک پرسش دربارهٔ هر ورودی میپرسد (meaning): در مسیر language، «آیا نویسهٔ بعدی یک مصوت است؟»؛ در مسیر images، «کدام شیء در عکس است؟».
خط پایهتان (بذر 0) را آموزش دهید. لایهٔ پنهانش را بخوانید (studio.hidden_units(model, X)) و یک کاوشگر خطی را روی نیمهٔ اول مجموعهٔ کاوشگر آموزش دهید و روی دومی بیازمایید (ssl.probe، 300 گام). کنترل: همان کاوشگر روی یک شبکهٔ آموزشندیده با همان شکل و بذر (studio.MLP(track.n_in, width, track.n_out, seed=0)). واحدهای تصادفی ReLU از قبل ورودیها را به ویژگیهای بسیار تبدیل میکنند و یک کاوشگر میتواند از آنها چیزهای زیادی بخواند؛ فقط بخش بالای کنترل چیزی است که آموزش آنجا گذاشته است.
واژهها و نمادهای این درس
- خط پایه
- اجرای سادهای که هر تغییری روی همان بذرها در برابر آن سنجیده میشود
trained، control و base_rate (سهم رایجترین برچسب در نیمهٔ آزمون) را پر کنید. finding را اگر trained بیش از 0.02 از control بهتر است برابر "above control" و وگرنه "not above control" قرار دهید.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.