ख़ाली जगह भरें (masked prediction)
यह क्यों मायने रखता है बिना label वाले डेटा से एक काम बनाने का सबसे सादा तरीका: उसका हिस्सा छिपाएँ और network से उसे भरने को कहें। Language models ठीक ऐसे train होते हैं (अगला शब्द छिपाएँ); image models patches छिपाते हैं। एक छेद अच्छी तरह भरने के लिए, एक network को उसके आसपास क्या है समझना होता है।
हर तस्वीर के बीच में एक 4 x 4 patch छिपाएँ। network उसके चारों ओर की 8 x 8 window देखता है (बाक़ी 48 pixels, x 3 रंग) और छिपे 16 (x 3) का अनुमान लगाता है। Loss mean squared error है। कहीं कोई labels नहीं: तस्वीर अपनी उत्तर-कुंजी ख़ुद है।
हराने को दो सादे भराव: तस्वीर का औसत रंग (त्रुटि लगभग 0.035) और छेद के ठीक आसपास के pixels का औसत (लगभग 0.019)। दूसरे को हराने वाले network ने कुछ सीखा है कि आकार और रोशनी कैसे आगे चलते हैं।
इस पाठ के शब्द और चिह्न
- masked prediction
- input का हिस्सा छिपाना और network को उसे भरने के लिए train करना
training loop का शरीर लिखें (64 तस्वीरों के 400 steps)। 0.017 से नीचे की validation त्रुटि के साथ पास करें।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।