Клиника: слишком хорошо или слишком застряло
Почему это важно Самые опасные запуски - те, что выглядят отлично. Модель, которая видит свои ответы, сообщает чудесные потери на обучении и бесполезна.
Нет маски: модель может подглядеть следующий символ, поэтому её потери на обучении падают ниже, чем у здорового запуска, а потери на невиданном тексте (измеренные честно, только по более ранним символам) намного хуже. Цели не сдвинуты: цель - сам вход, поэтому модель учится копировать символ, на который смотрит. Потери на обучении идут почти к 0, а на невиданном тексте они ужасны. Нет residual: каждый блок заменяет h вместо того, чтобы прибавлять к нему, поэтому стопку трудно обучать и потери рано застревают.
Каждый случай ниже - запуск обучения с одной подложенной неисправностью. Для каждого: потратьте пробы, чтобы найти неисправность, затем запишите исправление как изменения config, возвращающие запуск к здоровому. Неисправности в этом уроке: no_mask, targets_not_shifted, no_residual. Хорошему диагносту редко нужно больше двух проб на случай.
| Проба | Что она говорит | Здоровый запуск |
|---|---|---|
loss_curve(c) | Потери на обучении каждые 25 шагов и потери на невиданном тексте в конце. Всегда смотрите первым делом. | от 4.55 примерно до 2.9; на невиданном около 3.0 |
loss_at_init(c) | Потери до обучения. Свежая модель, угадывающая равномерно среди 95 символов, даёт ln(95). | 4.55 |
leak_check(c) | Может ли более поздний символ изменить более раннее предсказание? | False |
show_batch(c) | Один обучающий вход и его цель, как текст. | цель = вход, сдвинутый на один символ влево |
update_ratio(c) | После первого шага Adam - насколько сдвинулись веса относительно своего размера. Это не правило модуля 8: диапазон от 0.001 до 0.1 - для шагов обычного SGD. Первый шаг Adam сдвигает каждый вес примерно на скорость обучения, каким бы ни был его градиент, а эти веса начинаются около 0.02, поэтому 0.01 / 0.02 даёт около 0.5. Сравнивайте случай с этим здоровым запуском, а не с диапазоном модуля 8. | около 0.5 |
block_change(c) | Насколько первый блок меняет каждый вектор в начале. | около 0.3 |
Слова и символы этого урока
- ln(V)
- начальные потери модели, угадывающей равномерно среди V символов: 4.55 для 95 символов
- изменение блоком
- насколько один блок меняет вектор в начале; около 1 значит, что он его заменил
Заполните diagnosis (случай в имя неисправности) и fixes (случай в словарь изменений config) для случаев A, B и C. После вашего исправления каждая настройка должна совпадать со здоровым запуском.
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.