Mély tanulás

A hálózat a bemenetet számokká alakítja, amelyeket a későbbi rétegek használhatnak. Képosztályozó esetén a bemenet pixelértékek, a kimenet pedig az egyes kategóriák pontszáma lehet. Rejtett rétegek helyezkednek el a bemenet és a kimenet között. A tanult súlyokat nemlineáris aktiváló függvényekkel kombinálják; a lineáris transzformációk egyszerűen egymásra rakása még mindig lineáris transzformációt adna. A betanítás és a modell használata különböző műveletek. A képzés során az előrehaladás előrejelzéseket produkál, a veszteségfüggvény méri a hibát, a visszaterjesztés pedig gradienseket számol. Az optimalizáló ezeket a színátmeneteket használja a paraméterek frissítésére. A következtetés során a betanított modell egy új bemenetet dolgoz fel anélkül, hogy szükségszerűen frissítené annak súlyait. A teljes kísérlet magában foglalja az adatok előkészítését, a modellt, a veszteséget, az optimalizálót és a képzésből kizárt példák értékelését. A PyTorch kezdőknek szóló oktatóanyaga bemutatja ezt a munkafolyamatot ruházati kép szerinti osztályozással. Kezdje egy kis reprodukálható feladattal, rögzítse az adatfelosztást és a beállításokat, és ellenőrizze a hibákat, ne csak a végső pontossági számot nézze. Az alacsonyabb edzési veszteség nem bizonyíték arra, hogy egy modell új adatokon is működik. Egy hálózat illeszkedhet a képzési példáira jellemző mintákra. Tartsa elkülönítve az értékelési adatokat, vizsgálja meg a felosztások ismétlődéseit, és tesztelje, milyen feltételekkel fog találkozni az alkalmazás. A hasznos kérdés az, hogy a modell általánosít-e a tervezett feladatra, nem pedig az, hogy a legtöbb rétegből áll-e.