Programma Lezione 94 di 246 · Modulo 8: Clinica degli addestramenti I
Modulo 8: Clinica degli addestramenti I

La ricetta: due controlli prima di tutto

Perché è importante La maggior parte degli addestramenti rotti si può cogliere in un minuto con due controlli economici, prima di spendere un'ora ad addestrare.

I professionisti esperti iniziano ogni nuova configurazione allo stesso modo:

  1. Controlla la loss all'inizio. Prima dell'addestramento, un modello a 10 classi che non sa niente dà a ogni classe circa 0.1, quindi la sua loss dovrebbe essere circa -ln(0.1) = 2.30. Molto sopra significa che qualcosa ha la scala sbagliata. Molto sotto significa che la risposta arriva al modello attraverso i suoi input. Non ogni fuga si vede qui: quando le immagini di validazione stanno anche nel set di addestramento, la loss iniziale è normale (l'addestramento sano di questa clinica e il suo caso di fuga partono entrambi da 2.46), e solo un punteggio di validazione troppo bello la tradisce.
  2. Fai overfitting su un batch. Addestra su un solo piccolo batch per qualche centinaio di passi. Qualsiasi modello e ciclo di addestramento funzionante può memorizzare 32 esempi e portare la loss vicino a zero. Se non ci riesce, il bug è nel modello, nella loss o nei gradienti, e l'hai trovato senza toccare tutti i dati.
  3. Solo allora, passa all'addestramento completo.

Questa clinica è un piccolo classificatore di cifre che puoi rompere di proposito. config(**changes) crea una configurazione; train(c) la esegue.

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
overfitting su un batch
controllare che una configurazione riesca a memorizzare pochi esempi
Tocca a te

Scrivi sanity(c) che restituisce un dizionario con init_ok (loss all'inizio entro 0.3 da 2.30) e can_overfit (loss dell'overfitting su un batch sotto 0.1), usando le sonde. Applicala alla configurazione sana e a suspect.

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.