Programma Lezione 99 di 246 · Modulo 8: Clinica degli addestramenti I
Modulo 8: Clinica degli addestramenti I

Clinica: difetti di partenza e di scala

Perché è importante I difetti del Modulo 6 dal vivo: fermano l'apprendimento prima che inizi.

Unità morte: ogni unità nascosta è spenta per ogni input, quindi al primo layer non arriva nessun gradiente e la loss non lascia mai 2.30. Input non scalati: i pixel arrivano da 0 a 16 invece che da 0 a 1, le attivazioni sono enormi, la loss iniziale è molto sopra 2.30, e i primi passi sono violenti. (Anche la trappola addestramento/valutazione di BatchNorm del Modulo 6 appartiene a questo gruppo; l'hai già incontrata.)

Ogni caso qui sotto è un addestramento con un difetto piantato dentro. Per ciascuno: spendi sonde per trovare il difetto, poi scrivi una correzione come modifiche alla configurazione. I difetti di questa lezione: dead_units, unscaled_inputs, plus one fault from earlier. Meno sonde è meglio; un buon diagnosta raramente ne ha bisogno di più di due per caso.

SondaChe cosa ti dice
loss_curve(c)La loss di addestramento ogni 50 passi e l'accuratezza di validazione finale. Guarda sempre per prima questa.
loss_at_init(c)La loss prima dell'addestramento. Un modello a 10 classi appena creato dovrebbe essere vicino a ln(10) = 2.30.
overfit_one_batch(c)Riesce a memorizzare 32 esempi? Una configurazione sana arriva vicino a 0.
grad_norms(c)La dimensione del gradiente per ogni matrice di pesi all'inizio. Zero significa che niente può imparare.
update_ratio(c)La dimensione del passo di SGD semplice rispetto alla dimensione dei pesi. Sano è circa da 0.001 a 0.1 (una regola empirica per l'SGD semplice; il Modulo 14 mostra perché Adam è diverso).
act_stats(c)Le attivazioni nascoste: media, valore più grande, quota di unità morte.
lr_schedule(c)Il learning rate ai passi 0, 50, 100 e così via.
batch_labels(c)Le etichette nei primi batch.
overlap(c)Quanti esempi di validazione compaiono anche nell'addestramento.
Parole e simboli di questa lezione
sonda
una misura rapida di un addestramento, come le dimensioni dei gradienti o le unità morte
Tocca a te

Compila diagnosis (dal caso al nome del difetto) e fixes (dal caso a un dizionario di modifiche alla configurazione) per i casi A, B e C. Una correzione deve togliere il difetto e addestrare fino ad almeno il 90% di accuratezza di validazione.

Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione

Questo esercizio si apre presto

Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.