概述
它產生學習參數,例如神經網路中的權重。訓練不同於向已訓練的模型提供指示。
重點摘要
- 目標和數據定義訓練任務。
- 將評估與擬合和模型選擇分開。
- 將預處理和資料版本與模型一起儲存。
深入探討
監督訓練從輸入和目標答案開始。模型預測答案,損失函數測量差異,最佳化演算法更新其參數。在批次範例中重複此操作可以減少損失。一個紀元表示訓練資料集的一次遍歷;它不是進步的保證。資料集和目標定義了模型的學習獎勵。訓練模型來預測購買與訓練模型來估計顧客滿意度所教的任務不同。一個方便的標籤可能不足以取代重要的結果。使用驗證範例選擇設置,然後在單獨的測試集上評估所選模型。將屬於同一個人、文件或事件的記錄放在一起,否則會洩漏資訊。對於預測,請評估以後的時期,而不是將未來的觀察納入早期的預測中。儲存每個檢查點的資料版本、預處理規則、模型配置和評估結果。沒有標記器或特徵轉換的已儲存模型可能無法重現原始行為。僅針對定義的實驗完成訓練;部署結果增加了監控和營運責任。
04工作範例
玩具模型的一項更新
使用說明性模型預測 = 權重 × 輸入,其中輸入為 2、目標為 6、初始權重為 1。
平方誤差為 (2 − 6)² = 16。其相對於權重的導數為 2 × 2 × (2 − 6) = −16。
當學習率為 0.1 時,下一個權重為 1 − 0.1 × (−16) = 2.6。新的預測值為 5.2,平方誤差為 0.64。
它顯示了什麼
此建置的計算顯示了參數更新。一個改進的範例並不能證明新範例的效能。
現實世界的實施
根據標記的支援請求訓練一個小型分類器,並在一周後進行評估。
在投入使用之前,將訓練有素的需求預測與上週的簡單基準進行比較。
付諸實踐
為什麼這很重要
- 更明確的決策. 它可以幫助您將清晰的技術聲明與行銷語言分開。
- 成本與預算. 在花費金錢或時間之前,您可以提出更好的實施問題。
- 團隊與工作流程. 具有共同理解的團隊可以做出更好的產品、政策和學習決策。
留意
- 不同的團隊可能會以不同的方式使用相同術語,因此請儘早定義範圍。
- 基準測試可能看起來很強大,但實際效能卻參差不齊。
- 忽視數據品質和評估計劃通常會產生脆弱的結果。
後續步驟
- 從您需要的結果的簡單語言定義開始。
- 在測試之前選擇一種成功指標和一種失敗條件。
- 使用代表性資料運行小型試點,而不是完善的演示集。
- 記錄人工智慧培訓在哪些方面有幫助以及在哪些方面更簡單的方法更好。
資料來源與延伸閱讀
- PyTorch優化模型參數
不斷探索
常見問題
輸入提示會訓練模型嗎?
提示會變更目前上下文。它本身並不意味著權重更新。服務稍後是否使用互動進行訓練取決於其單獨的資料策略。