Klinik: kesalahan data
Kenapa ini penting "Bug selalu ada di model" itu salah. Kesalahan data itu umum dan tersembunyi dengan baik, karena training loop itu sendiri sebenarnya benar.
Kebocoran: set validasi berisi contoh pelatihan, jadi akurasi validasi terlihat luar biasa dan tidak berarti apa-apa. Tidak mengacak: batch datang satu kelas dalam satu waktu, model mengejar kelas mana pun yang terakhir dilihat, dan akurasi pada data campuran buruk. Label salah: banyak label pelatihan acak, jadi training loss tidak bisa turun jauh meskipun model bisa menghafal sebuah batch.
Setiap kasus di bawah adalah sesi pelatihan dengan satu kesalahan yang sengaja dimasukkan. Untuk setiap kasus: gunakan probe untuk menemukan kesalahan, lalu tulis perbaikan sebagai perubahan config. Kesalahan di pelajaran ini: leak, no_shuffle, noisy_labels. Semakin sedikit probe semakin baik; seorang ahli diagnostik yang baik jarang butuh lebih dari dua per kasus.
| Probe | Apa yang diberitahukannya padamu |
|---|---|
loss_curve(c) | Loss pelatihan setiap 50 langkah dan akurasi validasi akhir. Selalu lihat pertama kali. |
loss_at_init(c) | Loss sebelum pelatihan. Model 10-kelas yang baru harusnya mendekati ln(10) = 2.30. |
overfit_one_batch(c) | Bisa tidak dia mengingat 32 contoh? Pengaturan yang sehat dapat mendekati 0. |
grad_norms(c) | Ukuran Gradient per matriks bobot di awal. Nol berarti tidak ada yang bisa dipelajari. |
update_ratio(c) | Ukuran langkah SGD biasa relatif terhadap ukuran bobot. Nilai yang sehat sekitar 0.001 sampai 0.1 (aturan praktis untuk SGD biasa; Modul 14 menunjukkan mengapa Adam berbeda). |
act_stats(c) | Aktivasi tersembunyi: rata-rata, nilai terbesar, bagian unit mati. |
lr_schedule(c) | Learning rate pada langkah 0, 50, 100 dan seterusnya. |
batch_labels(c) | Label pada beberapa batch pertama. |
overlap(c) | Berapa banyak contoh validasi yang juga muncul di pelatihan. |
Kata dan simbol di pelajaran ini
- probe
- pengukuran cepat dari sebuah run, seperti ukuran gradient atau unit yang mati
- leakage
- informasi pengujian atau validasi yang mencapai pelatihan
Isi diagnosis (case ke nama fault) dan fixes (case ke dictionary perubahan config) untuk kasus A, B dan C. Perbaikan harus menghapus fault dan melatih hingga setidaknya 90% akurasi validasi.
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.