Vertrouw je de helper?
Waarom dit ertoe doet AI assistenten zullen graag je training runs diagnosticeren. Ze hebben vaak gelijk en soms zijn ze zelfverzekerd ongelijk. De vaardigheid is weten welke, door gebruik te maken van bewijs in plaats van toon.
Een AI helper heeft tien mislukte runs bekeken en een fout voor elke run benoemd. Ongeveer een derde van de antwoorden is fout, en ze klinken precies even zelfverzekerd als de juiste. Beslis voor elke zaak: accepteren of verwerpen. Baseer elke beslissing op een probe, niet op hoe aannemelijk de claim klinkt.
Je score is verdict accuracy: hoe vaak je accept of reject overeenkwam met de waarheid. (Dit is geen kalibratie, wat Module 9 definieert: of confidence overeenkomt met hoe vaak je gelijk hebt.) Let op voor claims die bij sommige symptomen passen maar niet bij de beslissende: een gestagneerde loss kan een learning rate zijn die te laag is, of een die prima was en daarna daalde.
| Probe | Wat het je vertelt |
|---|---|
loss_curve(c) | Training loss elke 50 stappen en de uiteindelijke validatie nauwkeurigheid. Kijk altijd eerst. |
loss_at_init(c) | Loss voor training. Een vers 10-klassen model moet dicht bij ln(10) = 2.30 liggen. |
overfit_one_batch(c) | Kan het 32 voorbeelden onthouden? Een gezonde setup komt dicht bij 0. |
grad_norms(c) | Gradientgrootte per gewichtsmatrix aan het begin. Nul betekent dat niets geleerd kan worden. |
update_ratio(c) | Gewone SGD stapgrootte ten opzichte van gewichtsgrootte. Gezond is ongeveer 0.001 tot 0.1 (een vuistregel voor gewone SGD; Module 14 laat zien waarom Adam verschilt). |
act_stats(c) | Verborgen activaties: gemiddelde, grootste waarde, aandeel dode eenheden. |
lr_schedule(c) | De learning rate bij steps 0, 50, 100 en zoiets. |
batch_labels(c) | De labels in de eerste paar batches. |
overlap(c) | Hoeveel validatievoorbeelden verschijnen ook in de training. |
Woorden en symbolen in deze les
- probe
- een snelle meting van een run, zoals de grootte van de gradient of dode eenheden
- verdict nauwkeurigheid
- hoe vaak je acceptatie of afwijzing van een claim overeenkwam met de waarheid
Voor elke casus A tot J, stel verdicts[case] in op True (de helper heeft gelijk) of False. Je moet minstens 9 van de 10 goed hebben.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.