Khóa học này hoạt động ra sao, và dự đoán đầu tiên của bạn
Vì sao điều này quan trọng Phần lớn mọi người học mạng nơ-ron bằng cách xem mã của người khác chạy. Ở đây bạn tự xây từng mảnh, và bạn dự đoán điều gì sẽ xảy ra trước khi nó xảy ra. Dự đoán trước là điều biến việc xem thành sự thấu hiểu.
Trước khi bắt đầu
- Bạn cần gì. Toán phổ thông (khóa học dạy mọi độ dốc, logarit và xác suất mà nó dùng) và một chút Python: vòng lặp, hàm, list và dict. Không cần cài đặt gì: mọi thứ chạy trong trình duyệt này.
- Mất bao lâu. Phần 1 (Xây dựng và Huấn luyện, Mô-đun 0 tới 14) là khoảng 90 giờ làm việc, khoảng 80 nếu bạn bỏ qua mô-đun Python: với 6 giờ mỗi tuần, khoảng 15 tuần. Phần 2 (Sinh, Mở rộng quy mô và Thấu hiểu, Mô-đun 15 tới 24: mô hình sinh, khuếch tán, học tự giám sát, quy luật mở rộng quy mô, điều chỉnh và nhìn vào bên trong mô hình, đánh giá các khẳng định, một bài tổng kết và bài thi cuối) thêm khoảng 50 giờ, thêm 9 tuần nữa. Mỗi phần có chứng chỉ riêng. Mỗi mô-đun hiển thị thời gian riêng của nó trên trang khóa học.
- Đã thành thạo Python? Mô-đun 1 kết thúc bằng một bài kiểm tra vượt cấp. Hãy làm nó trước: qua nó là bỏ qua mô-đun, và bạn đi thẳng tới phần toán.
- Lập trình viên có kinh nghiệm? Thời gian hiển thị là cho một người mới với chủ đề này. Những người đã viết mã kiếm sống thường chỉ cần một phần ba, nhất là ở các mô-đun toán và mạng đầu tiên (2 tới 4): hãy đọc bài tập của mỗi bài học trước, và chỉ chậm lại ở chỗ nào mới với bạn.
- Đã biết chủ đề của một mô-đun? Các Mô-đun 1 (Python), 2 (toán), 3 (từ nơ-ron tới mạng), 4 (autograd) và 7 (dữ liệu mới) đều kết thúc bằng một bài kiểm tra vượt cấp mà bạn có thể làm trước, với người hướng dẫn AI tắt. Qua nó là đánh dấu mô-đun đã xong và mở mô-đun tiếp theo; chứng chỉ tính bài kiểm tra vượt cấp cho mô-đun đó.
Bốn thói quen bạn sẽ luyện tập
- Đoán đường cong. Trước một lần huấn luyện, bạn đoán giá trị mất mát của nó tại vài điểm. Rồi nó chạy và bạn thấy mình đã đoán gần tới đâu. Qua khóa học các phỏng đoán của bạn sắc bén hơn; sự sắc bén đó là trực giác thật.
- Tự làm mới được dùng lớp. Khóa học có một thư viện nhỏ các lớp làm sẵn. Mỗi lớp bị khóa cho tới khi bạn đã tự xây nó bằng NumPy thuần và nó đã qua một phép kiểm tra gradient. Sau đó, bạn dùng phiên bản nhanh.
- Sổ FLOP. Một FLOP là một phép nhân hoặc phép cộng. Mọi lần chạy trong khóa học đều báo nó đã dùng bao nhiêu, để bạn học được cái gì rẻ và cái gì đắt.
- Bốn mặt đồng hồ. Tiến bộ của bạn được đo trên bốn kỹ năng: Xây dựng (viết nó), Chẩn đoán (tìm cái gì hỏng), Dự đoán (nói điều gì sẽ xảy ra) và Tin cậy (đánh giá khi nào một câu trả lời của AI sai).
Lần Đoán đường cong đầu tiên của bạn
Bên dưới, một nơ-ron duy nhất học đường thẳng y = 3x + 1 bằng gradient descent. Giá trị mất mát bắt đầu cao và giảm xuống. Hãy đoán giá trị mất mát ở bước 0, 5, 20 và 100, rồi chạy mã: nó huấn luyện và in phỏng đoán của bạn cạnh giá trị thật, kèm một điểm số. Đừng lo về việc đoán đúng. Hãy đưa ra một phỏng đoán thật.
Mất mát (loss): một con số cho biết mô hình đang sai tới đâu lúc này. Huấn luyện là công việc làm cho nó nhỏ đi.
Từ và ký hiệu trong bài học này
- mất mát (loss)
- một con số cho biết mô hình sai tới đâu; huấn luyện làm cho nó nhỏ đi
- Đoán đường cong
- đoán giá trị mất mát tại vài điểm trước một lần chạy, rồi so sánh
- FLOP
- một phép nhân hoặc phép cộng; cách khóa học đo chi phí của một lần chạy
- bốn mặt đồng hồ
- Xây dựng, Chẩn đoán, Dự đoán và Tin cậy: bốn kỹ năng mà các bài thi đo lường
Thay mỗi None trong my_guess bằng phỏng đoán của bạn cho giá trị mất mát ở các bước 0, 5, 20 và 100. Rồi chạy. Mọi phỏng đoán trung thực đều qua; điểm số là dành cho bạn.
Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này
Tiến độ của bạn được tính ẩn danh. Thay đổi cái 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.