Доверять помощнику?
Почему это важно ИИ-ассистенты охотно диагностируют ваши запуски обучения. Они часто правы и иногда уверенно ошибаются. Навык в том, чтобы знать, когда что, опираясь на доказательства, а не на тон.
ИИ-помощник посмотрел десять сломанных запусков и назвал неисправность для каждого. Около трети его ответов неверны, и звучат они ровно так же уверенно, как верные. Для каждого случая решите: принять или отклонить. Основывайте каждое решение на пробе, а не на том, насколько правдоподобно звучит утверждение.
Ваш результат - точность вердиктов: как часто ваше "принять" или "отклонить" совпало с правдой. (Это не калибровка, которую определяет модуль 9: совпадает ли уверенность с тем, как часто вы правы.) Остерегайтесь утверждений, которые подходят под некоторые симптомы, но не под решающий: застрявшие потери могут быть слишком низкой скоростью обучения или скоростью, которая была в порядке, а затем снизилась.
| Проба | Что она говорит |
|---|---|
loss_curve(c) | Потери на обучении каждые 50 шагов и итоговая точность на валидации. Всегда смотрите первым делом. |
loss_at_init(c) | Потери до обучения. Свежая модель на 10 классов должна быть около ln(10) = 2.30. |
overfit_one_batch(c) | Может ли она запомнить 32 примера? Здоровая конфигурация доходит почти до 0. |
grad_norms(c) | Размер градиента для каждой матрицы весов в начале. Ноль значит, что ничто не может учиться. |
update_ratio(c) | Размер шага обычного SGD относительно размера весов. Здоровое значение примерно от 0.001 до 0.1 (эмпирическое правило для обычного SGD; модуль 14 показывает, почему у Adam иначе). |
act_stats(c) | Скрытые активации: среднее, наибольшее значение, доля мёртвых нейронов. |
lr_schedule(c) | Скорость обучения на шагах 0, 50, 100 и так далее. |
batch_labels(c) | Метки в первых нескольких батчах. |
overlap(c) | Сколько примеров валидации встречается и в обучении. |
Слова и символы этого урока
- проба
- быстрое измерение запуска, например размеров градиентов или мёртвых нейронов
- точность вердиктов
- как часто ваше принятие или отклонение утверждения совпало с правдой
Для каждого случая от A до J присвойте verdicts[case] значение True (помощник прав) или False. Нужно хотя бы 9 из 10 верных.
Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке
Это упражнение откроется скоро
Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.
Этот браузер блокирует cookies для learn.floati.life, поэтому завершенные здесь уроки не могут открыться по порядку. Разрешите cookies для этого сайта и перезагрузите страницу.