Een verliescurve lezen
Waarom dit ertoe doet Een training run print een loss na elke pass over de data. Weten wanneer het niet meer verbeterde vertelt je wanneer je moet stoppen met trainen.
A trainingslog heeft meestal twee getallen per epoch (één keer over de data): de loss op de trainingsdata en de loss op de apart gehouden validatiedata waar het model nooit op traint. De trainingsloss blijft bijna altijd dalen. De validatieloss daalt en gaat dan vaak weer omhoog: het model is begonnen met het onthouden van de trainingsdata in plaats van het patroon te leren.
Epoch: één volledige doorloop over de trainingsdata.
Het beste moment om te stoppen is de epoch waar de validation loss het laagst is. np.argmin vindt de positie van de kleinste waarde.
Samenvatting Kijk naar validation loss, niet naar training loss. Het laagste punt is je beste model.
Woorden en symbolen in deze les
- array
- a NumPy blok van getallen, allemaal van hetzelfde type, dat wiskunde doet op elk item tegelijk
- epoch
- one volledige doorloop over de trainingsdata
train_loss en val_loss zijn gegeven (epochs 1 tot 15). Stel best_epoch in op het epoch nummer (tellend vanaf 1) met de laagste validation loss, en plot beide curves op ax met labels "train" en "validation", in die volgorde.
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.