Phòng khám: quá tốt, hoặc quá kẹt
Vì sao điều này quan trọng Những lần chạy nguy hiểm nhất là những lần trông tuyệt vời. Một mô hình nhìn thấy được câu trả lời của nó báo một giá trị mất mát huấn luyện tuyệt vời và vô dụng.
Không có mặt nạ: mô hình có thể nhìn trộm ký tự tiếp theo, nên giá trị mất mát huấn luyện của nó giảm sâu hơn của một lần chạy lành mạnh, trong khi giá trị mất mát trên văn bản chưa thấy (đo một cách trung thực, chỉ từ các ký tự phía trước) tệ hơn nhiều. Mục tiêu không được dịch: mục tiêu chính là đầu vào, nên mô hình học cách chép ký tự nó đang nhìn. Giá trị mất mát huấn luyện tiến về gần 0, và trên văn bản chưa thấy nó tệ hại. Không có phần dư: mỗi khối thay thế h thay vì cộng vào nó, nên chồng khối khó huấn luyện và giá trị mất mát đình trệ sớm.
Mỗi trường hợp bên dưới là một lần huấn luyện có một lỗi được cài vào. Với mỗi cái: dùng các đầu dò để tìm ra lỗi, rồi viết một cách sửa dưới dạng các thay đổi config đưa lần chạy trở về lành mạnh. Các lỗi trong bài học này: no_mask, targets_not_shifted, no_residual. Một người chẩn đoán giỏi hiếm khi cần nhiều hơn hai đầu dò cho mỗi trường hợp.
| Đầu dò | Nó cho bạn biết gì | Lần chạy lành mạnh |
|---|---|---|
loss_curve(c) | Giá trị mất mát huấn luyện mỗi 25 bước, và giá trị mất mát trên văn bản chưa thấy ở cuối. Luôn nhìn cái này trước. | 4.55 giảm xuống khoảng 2.9; chưa thấy khoảng 3.0 |
loss_at_init(c) | Giá trị mất mát trước khi huấn luyện. Một mô hình mới đoán đều trên 95 ký tự cho ln(95). | 4.55 |
leak_check(c) | Một ký tự phía sau có thể thay đổi một dự đoán phía trước không? | False |
show_batch(c) | Một đầu vào huấn luyện và mục tiêu của nó, dưới dạng văn bản. | mục tiêu = đầu vào dịch sang trái một ký tự |
update_ratio(c) | Sau bước Adam đầu tiên, các trọng số đã dịch bao xa so với kích thước của chúng. Không phải quy tắc của Mô-đun 8: khoảng 0.001 tới 0.1 đó là cho các bước SGD thuần. Bước đầu tiên của Adam dịch mọi trọng số khoảng bằng tốc độ học dù gradient của nó là gì, và các trọng số này bắt đầu gần 0.02, nên 0.01 / 0.02 cho khoảng 0.5. Hãy so sánh một trường hợp với lần chạy lành mạnh này, không phải với khoảng của Mô-đun 8. | khoảng 0.5 |
block_change(c) | Khối đầu tiên thay đổi mỗi vector bao nhiêu lúc bắt đầu. | khoảng 0.3 |
Từ và ký hiệu trong bài học này
- ln(V)
- giá trị mất mát ban đầu của một mô hình đoán đều trên V ký hiệu: 4.55 với 95 ký tự
- block change
- một khối thay đổi một vector bao nhiêu lúc bắt đầu; gần 1 nghĩa là nó đã thay thế vector đó
Điền diagnosis (trường hợp tới tên lỗi) và fixes (trường hợp tới một dict các thay đổi config) cho các trường hợp A, B và C. Sau cách sửa của bạn, mọi thiết lập phải khớp với lần chạy lành mạnh.
Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này
Bài tập này sẽ sớm mở.
Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.
Trình duyệt này đang chặn cookie cho learn.floati.life, nên các bài học bạn đã hoàn thành tại đây không thể mở theo thứ tự. Hãy cho phép cookie cho trang web này và tải lại trang.