Lire une courbe de perte
Pourquoi c'est important Un entraînement affiche une perte après chaque passage sur les données. Savoir quand elle a cessé de s'améliorer te dit quand arrêter l'entraînement.
Un journal d'entraînement a en général deux nombres par époque (un passage sur les données) : la perte sur les données d'entraînement, et la perte sur des données de validation mises de côté sur lesquelles le modèle ne s'entraîne jamais. La perte d'entraînement continue presque toujours de baisser. La perte de validation baisse, puis remonte souvent : le modèle a commencé à mémoriser ses données d'entraînement au lieu d'apprendre le motif.
Époque : un passage complet sur les données d'entraînement.
Le meilleur moment pour s'arrêter est l'époque où la perte de validation est la plus basse. np.argmin trouve la position de la plus petite valeur.
Récap Surveille la perte de validation, pas la perte d'entraînement. Son point le plus bas, c'est ton meilleur modèle.
Mots et symboles de cette leçon
- tableau
- un bloc NumPy de nombres, tous du même type, qui fait des maths sur chaque élément d'un coup
- époque
- un passage complet sur les données d'entraînement
train_loss et val_loss sont donnés (époques 1 à 15). Affecte à best_epoch le numéro de l'époque (en comptant à partir de 1) qui a la perte de validation la plus basse, et trace les deux courbes sur ax avec les étiquettes "train" et "validation", dans cet ordre.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.