Percaya sama pembantunya?
Kenapa ini penting Asisten AI akan dengan senang hati mendiagnosis proses training kamu. Mereka sering kali benar dan terkadang salah dengan percaya diri. Keahliannya adalah tahu mana yang benar, menggunakan bukti alih-alih nada bicara.
Asisten AI sudah melihat sepuluh jalannya yang rusak dan memberi nama kesalahan untuk masing-masing. Sekitar sepertiga jawabannya salah, dan mereka terdengar sama percaya dirinya dengan jawaban yang benar. Untuk setiap kasus, putuskan: terima atau tolak. Dasar setiap keputusan pada probe, bukan pada seberapa masuk akal klaim tersebut terdengar.
Skor kamu adalah akurasi verdict: seberapa sering accept atau reject kamu cocok dengan kebenaran. (Ini bukan kalibrasi, yang didefinisikan di Module 9: apakah confidence cocok dengan seberapa sering kamu benar.) Waspadai klaim yang cocok dengan beberapa gejala tapi bukan yang menentukan: loss yang macet bisa jadi karena learning rate yang terlalu rendah, atau yang awalnya oke lalu turun.
| 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 bagus 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
- akurasi verdict
- seberapa sering kamu menerima atau menolak sebuah klaim sesuai dengan kebenarannya
Untuk setiap kasus A sampai J, atur verdicts[case] ke True (pembantunya benar) atau False. Kamu butuh setidaknya 9 dari 10 benar.
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.