第 8 模块:训练诊所 I
相信这个助手吗?
你以前学过这门课程吗?
这样我们只统计你一次。只会发送你的答案,以及你的匿名进度。
为什么重要 AI 助手会很乐意诊断你的训练。它们常常是对的,有时却自信地错了。技巧在于用证据而不是语气去知道是哪一种。
一个 AI 助手查看了十次出问题的训练,并为每一次说出了一个故障。它大约三分之一的答案是错的,而它们听起来和那些对的答案一样自信。对每一个案例,做出决定:接受还是拒绝。每一个决定都要基于一个探针,而不是基于这个说法听起来有多可信。
你的分数是判断准确率:你的接受或拒绝有多常和真相一致。(这不是校准,第 9 模块会定义校准:信心是否和你正确的频率相符。)留意那些符合某些症状、却不符合决定性症状的说法:一个停滞的损失可能是学习率太低,也可能是学习率本来没问题,后来下降了。
| 探针 | 它告诉你什么 |
|---|---|
loss_curve(c) | 每 50 步的训练损失以及最终的验证准确率。总是先看它。 |
loss_at_init(c) | 训练前的损失。一个新的 10 类模型应该接近 ln(10) = 2.30。 |
overfit_one_batch(c) | 它能记住 32 个样本吗?一个健康的设置会接近 0。 |
grad_norms(c) | 开始时每个权重矩阵的梯度大小。为零意味着什么都学不到。 |
update_ratio(c) | 普通 SGD 的步长相对于权重大小的比例。健康的大约是 0.001 到 0.1(这是针对普通 SGD 的经验法则;第 14 模块会说明为什么 Adam 不同)。 |
act_stats(c) | 隐藏激活:均值、最大值、死亡单元所占的比例。 |
lr_schedule(c) | 第 0、50、100 步等处的学习率。 |
batch_labels(c) | 前几个批次中的标签。 |
overlap(c) | 有多少个验证样本也出现在训练中。 |
本课中的词语和符号
- 探针
- 对一次训练的快速测量,比如梯度大小或死亡单元
- 判断准确率
- 你对一个说法的接受或拒绝有多常和真相一致
轮到你了
对于每一个案例 A 到 J,把 verdicts[case] 设为 True(助手是对的)或 False。你需要在 10 个中至少答对 9 个。
本课已完成。干得好。
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。