Чтение кривой потерь
Почему это важно Прогон обучения печатает потери после каждого прохода по данным. Знание того, когда они перестали улучшаться, говорит вам, когда остановить обучение.
Лог обучения обычно содержит по два числа на эпоху (один проход по данным): потери на обучающих данных и потери на отложенных валидационных данных, на которых модель никогда не обучается. Потери на обучении почти всегда продолжают падать. Потери на валидации падают, а потом часто поворачивают вверх: модель начала запоминать свои обучающие данные, вместо того чтобы учить закономерность.
Эпоха: один полный проход по обучающим данным.
Лучший момент остановиться - эпоха, где потери на валидации наименьшие. np.argmin находит позицию наименьшего значения.
Итоги Следите за потерями на валидации, а не на обучении. Их нижняя точка - ваша лучшая модель.
Слова и символы этого урока
- массив
- блок чисел NumPy, все одного типа, который делает математику со всеми элементами сразу
- эпоха
- один полный проход по обучающим данным
train_loss и val_loss даны (эпохи от 1 до 15). Присвойте best_epoch номер эпохи (считая с 1) с наименьшими потерями на валидации и нарисуйте обе кривые на ax с метками "train" и "validation", в этом порядке.
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.