KI-Training

Es erzeugt erlernte Parameter, beispielsweise Gewichte in einem neuronalen Netzwerk. Das Training unterscheidet sich von der Bereitstellung von Anweisungen für ein bereits trainiertes Modell.

Wichtige Erkenntnisse

• Ein Ziel und Daten definieren die Trainingsaufgabe.
• Halten Sie die Bewertung getrennt von der Anpassung und Modellauswahl.
• Speichern Sie Vorverarbeitungs- und Datenversionen neben dem Modell.

Ein betreuter Trainingslauf beginnt mit Eingaben und Zielantworten. Das Modell sagt eine Antwort voraus, eine Verlustfunktion misst die Diskrepanz und ein Optimierungsalgorithmus aktualisiert seine Parameter. Durch Wiederholen dieses Vorgangs über mehrere Beispielstapel hinweg kann der Verlust verringert werden. Eine Epoche bedeutet einen Durchgang durch den Trainingsdatensatz; es ist keine Garantie für Fortschritt. Der Datensatz und das Ziel definieren, was das Modell für das Lernen belohnt. Das Trainieren eines Modells zur Vorhersage eines Kaufs erlernt eine andere Aufgabe als das Trainieren zum Schätzen der Kundenzufriedenheit. Ein praktisches Etikett kann ein schlechter Ersatz für das Ergebnis sein, auf das es ankommt. Verwenden Sie Validierungsbeispiele, um Einstellungen auszuwählen, und bewerten Sie dann das ausgewählte Modell anhand eines separaten Testsatzes. Bewahren Sie Datensätze, die zu derselben Person, demselben Dokument oder demselben Ereignis gehören, zusammen auf, wenn bei der Aufteilung andernfalls Informationen verloren gehen würden. Bewerten Sie für Prognosen spätere Zeiträume, anstatt zukünftige Beobachtungen in frühere Vorhersagen einzubeziehen. Speichern Sie die Datenversion, Vorverarbeitungsregeln, Modellkonfiguration und Bewertungsergebnisse mit jedem Prüfpunkt. Ein gespeichertes Modell ohne Tokenizer oder Feature-Transformationen reproduziert möglicherweise nicht das ursprüngliche Verhalten. Das Training ist nur für ein definiertes Experiment abgeschlossen; Durch die Bereitstellung des Ergebnisses kommen Überwachungs- und Betriebsverantwortung hinzu.

1. Verwenden Sie die veranschaulichende Modellvorhersage = Gewicht × Eingabe mit Eingabe 2, Ziel 6 und Anfangsgewicht 1.
2. Der quadrierte Fehler beträgt (2 − 6)² = 16. Seine Ableitung nach dem Gewicht beträgt 2 × 2 × (2 − 6) = −16.
3. Bei einer Lernrate von 0,1 beträgt das nächste Gewicht 1 − 0,1 × (−16) = 2,6. Die neue Vorhersage beträgt 5,2 und der quadratische Fehler beträgt 0,64.

Diese konstruierte Berechnung zeigt eine Parameteraktualisierung. Ein verbessertes Beispiel stellt keine Leistung für neue Beispiele dar.