Satu temuan di dalam model kamu, dengan sebuah kontrol
Kenapa ini penting Pelajaran Modul 21, diterapkan ke modelmu sendiri: skor probe tidak berarti apa-apa sampai kamu membandingkannya dengan apa yang dibaca probe yang sama dari jaringan yang tidak pernah dilatih.
Set probe untuk track kamu menanyakan satu hal tentang setiap input (meaning): pada track bahasa, "apakah karakter berikutnya adalah huruf vokal?"; pada track gambar, "objek mana yang ada di foto?".
Latih baseline kamu (seed 0). Baca hidden layer (studio.hidden_units(model, X)) dan latih linear probe pada setengah pertama dari probe set, uji pada setengah kedua (ssl.probe, 300 steps). Kontrolnya: probe yang sama pada jaringan untrained dengan bentuk dan seed yang sama (studio.MLP(track.n_in, width, track.n_out, seed=0)). Unit ReLU acak sudah mengubah input menjadi banyak fitur, dan probe bisa membaca banyak hal dari fitur tersebut; hanya bagian di atas kontrol yang merupakan hasil dari pelatihan.
Kata dan simbol di pelajaran ini
- baseline
- dasar jalannya setiap perubahan diukur terhadap, pada seed yang sama
Isi trained, control dan base_rate (porsi label yang paling umum di separuh data uji). Atur finding menjadi "above control" kalau trained mengalahkan control lebih dari 0.02, kalau tidak "not above control".
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.