Leggere una curva di loss
Perché è importante Un addestramento stampa una loss dopo ogni passata sui dati. Sapere quando ha smesso di migliorare ti dice quando fermare l'addestramento.
Un registro di addestramento di solito ha due numeri per epoca (una passata sui dati): la loss sui dati di addestramento, e la loss su dati di validazione tenuti da parte su cui il modello non si addestra mai. La loss di addestramento quasi sempre continua a scendere. La loss di validazione scende, poi spesso torna a salire: il modello ha iniziato a memorizzare i dati di addestramento invece di imparare lo schema.
Epoca: una passata completa sui dati di addestramento.
Il momento migliore per fermarsi è l'epoca in cui la loss di validazione è più bassa. np.argmin trova la posizione del valore più piccolo.
Riepilogo Guarda la loss di validazione, non quella di addestramento. Il suo punto più basso è il tuo modello migliore.
Parole e simboli di questa lezione
- array
- un blocco NumPy di numeri, tutti dello stesso tipo, che fa i calcoli su ogni elemento insieme
- epoca
- una passata completa sui dati di addestramento
train_loss e val_loss sono dati (epoche da 1 a 15). Imposta best_epoch sul numero dell'epoca (contando da 1) con la loss di validazione più bassa, e disegna entrambe le curve su ax con le etichette "train" e "validation", in quest'ordine.
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.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.