Lendo uma curva de perda
Por que isso importa Uma execução de treinamento imprime uma loss após cada passagem pelos dados. Saber quando ela parou de melhorar te diz quando parar o treinamento.
A geralmente tem dois números por epoch (uma passagem pelos dados): a loss nos dados de treinamento e a loss nos dados de validação reservados que o modelo nunca treina. A training loss quase sempre continua caindo. A validation loss cai e depois frequentemente volta a subir: o modelo começou a memorizar seus dados de treinamento em vez de aprender o padrão.
Epoch: uma passagem completa pelos dados de treinamento.
O melhor momento para parar é a época onde a perda de validação é menor. np.argmin encontra a posição do menor valor.
Resumo Observe a validation loss, não a training loss. O ponto mais baixo é o seu melhor modelo.
Palavras e símbolos nesta lição
- array
- a Um bloco de números NumPy, todos do mesmo tipo, que faz cálculos em cada item de uma vez
- epoch
- one passagem completa pelos dados de treinamento
train_loss e val_loss são fornecidos (épocas 1 a 15). Defina best_epoch para o número da época (contando a partir de 1) com a menor perda de validação, e plote ambas as curvas em ax com os rótulos "train" e "validation", nessa ordem.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.