به دستیار اعتماد کنیم؟
چرا مهم است دستیارهای هوش مصنوعی با کمال میل اجراهای آموزش شما را عیبیابی میکنند. اغلب درست میگویند و گاهی با اطمینان اشتباه. مهارت دانستن این است که کدام، با استفاده از شواهد به جای لحن.
یک دستیار هوش مصنوعی به ده اجرای خراب نگاه کرده و برای هر کدام عیبی نام برده است. حدود یکسوم پاسخهایش اشتباهاند و دقیقاً به همان اندازهٔ پاسخهای درست مطمئن به نظر میرسند. برای هر مورد تصمیم بگیرید: بپذیرید یا رد کنید. هر تصمیم را بر یک کاوشگر بنا کنید، نه بر اینکه ادعا چقدر باورپذیر به نظر میرسد.
امتیاز شما درستی حکم است: اینکه پذیرش یا رد شما چند بار با حقیقت جور بود. (این کالیبراسیون نیست، که ماژول 9 تعریفش میکند: اینکه اطمینان با دفعات درست بودن جور است یا نه.) مراقب ادعاهایی باشید که با بعضی نشانهها اما نه نشانهٔ تعیینکننده جورند: یک زیان متوقفشده میتواند نرخ یادگیریای باشد که خیلی پایین است، یا نرخی که خوب بود و سپس پایین آمد.
| کاوشگر | چه چیزی به شما میگوید |
|---|---|
loss_curve(c) | زیان آموزش هر 50 گام و درستی نهایی اعتبارسنجی. همیشه اول نگاه کنید. |
loss_at_init(c) | زیان پیش از آموزش. یک مدل 10 کلاسهٔ تازه باید نزدیک ln(10) = 2.30 باشد. |
overfit_one_batch(c) | آیا میتواند 32 نمونه را حفظ کند؟ یک چیدمان سالم به نزدیک 0 میرسد. |
grad_norms(c) | اندازهٔ گرادیان برای هر ماتریس وزن در آغاز. صفر یعنی هیچ چیز نمیتواند یاد بگیرد. |
update_ratio(c) | اندازهٔ گام SGD ساده نسبت به اندازهٔ وزن. سالم حدود 0.001 تا 0.1 است (یک قاعدهٔ سرانگشتی برای SGD ساده؛ ماژول 14 نشان میدهد چرا Adam فرق دارد). |
act_stats(c) | فعالسازیهای پنهان: میانگین، بزرگترین مقدار، سهم واحدهای مرده. |
lr_schedule(c) | نرخ یادگیری در گامهای 0، 50، 100 و همینطور ادامه. |
batch_labels(c) | برچسبها در چند دستهٔ اول. |
overlap(c) | چند نمونهٔ اعتبارسنجی در آموزش هم آمدهاند. |
واژهها و نمادهای این درس
- کاوشگر (probe)
- سنجشی سریع از یک اجرا، مثل اندازهٔ گرادیانها یا واحدهای مرده
- درستی حکم
- اینکه پذیرش یا رد یک ادعا توسط شما چند بار با حقیقت جور بود
برای هر مورد A تا J، verdicts[case] را برابر True (دستیار درست میگوید) یا False قرار دهید. دستکم 9 از 10 درست لازم دارید.
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.