Klinik: kesalahan loss dan output
Kenapa ini penting Kesalahan ini membiarkan training berjalan dan loss turun, jadi mereka bertahan lama di kode asli.
Softmax diterapkan dua kali: loss menganggap probabilitas seolah itu skor, gradien mengecil, model bahkan tidak bisa menghafal satu batch, dan loss turun perlahan. Target bergeser: setiap label meleset satu, jadi model belajar dengan sangat baik, tapi jawaban yang salah: training loss rendah, validation accuracy mendekati nol.
Setiap kasus di bawah adalah sesi latihan dengan satu kesalahan yang sengaja dimasukkan. Untuk setiap kasus: gunakan probe untuk menemukan kesalahan, lalu tulis perbaikannya sebagai perubahan config. Kesalahan di pelajaran ini: softmax_twice, shifted_targets, plus one fault from earlier. Semakin sedikit probe semakin baik; seorang ahli diagnostik yang hebat 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 training. 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
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.