Membaca kurva loss
Kenapa ini penting Sebuah training run mencetak loss setelah setiap pass pada data. Mengetahui kapan ia berhenti membaik memberitahu kamu kapan harus berhenti training.
A biasanya punya dua angka per epoch (satu kali jalan lewat data): loss pada data pelatihan, dan loss pada data validasi yang disimpan yang tidak pernah dilatih oleh model. Training loss hampir selalu terus turun. Validation loss turun, lalu sering kali naik lagi: model sudah mulai menghafal data pelatihan alih-alih mempelajari polanya.
Epoch: satu putaran penuh pada data pelatihan.
Momen terbaik untuk berhenti adalah epoch di mana validation loss paling rendah. np.argminmencari posisi nilai terkecil.
Ringkasan Perhatikan validation loss, bukan training loss. Titik terendahnya adalah model terbaikmu.
Kata dan simbol di pelajaran ini
- array
- Blok NumPy berisi angka, semua tipe sama, yang melakukan perhitungan pada setiap item sekaligus
- epoch
- one lakukan pengecekan penuh pada data pelatihan
train_loss dan val_loss sudah diberikan (epoch 1 sampai 15). Atur best_epoch ke nomor epoch (dihitung dari 1) dengan validation loss terendah, dan plot kedua kurva pada ax dengan label "train" dan "validation", sesuai urutan tersebut.
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.