


मशीन लर्निंग में युगों को समझना
मशीन लर्निंग के संदर्भ में, एक युग प्रशिक्षण डेटा पर पूर्ण पुनरावृत्ति को संदर्भित करता है। प्रत्येक युग के दौरान, मॉडल को संपूर्ण डेटासेट पर प्रशिक्षित किया जाता है, और अनुमानित आउटपुट और वास्तविक आउटपुट के बीच त्रुटि के आधार पर वजन समायोजित किया जाता है। उदाहरण के लिए, यदि आपके पास 1000 उदाहरणों वाला डेटासेट है, और आपके मॉडल में 1000 पैरामीटर हैं, फिर एक युग में हानि फ़ंक्शन को कम करने के लिए सभी 1000 मापदंडों का उपयोग करते हुए सभी 1000 उदाहरणों पर मॉडल को प्रशिक्षित करना शामिल होगा। युगों की संख्या एक हाइपरपैरामीटर है जिसे प्रशिक्षण प्रक्रिया में समायोजित किया जा सकता है। युगों की इष्टतम संख्या समस्या की जटिलता, डेटासेट के आकार और मॉडल के प्रदर्शन पर निर्भर करती है। सामान्य तौर पर, अधिक युगों से ओवरफिटिंग हो सकती है, जहां मॉडल प्रशिक्षण डेटा के लिए बहुत विशिष्ट हो जाता है और नए उदाहरणों के लिए अच्छी तरह से सामान्यीकृत नहीं होता है। दूसरी ओर, कम युग मॉडल को प्रशिक्षण डेटा से पर्याप्त सीखने की अनुमति नहीं दे सकते हैं। गहन शिक्षा में, युगों का उपयोग अक्सर बैचों के साथ संयोजन में किया जाता है। बैच प्रशिक्षण डेटा का एक सबसेट है जिसे मॉडल के वजन अपडेट होने से पहले एक साथ संसाधित किया जाता है। उदाहरण के लिए, यदि आपके पास 1000 उदाहरणों वाला एक डेटासेट है, और आप 32 के बैच आकार का उपयोग करते हैं, तो एक युग में सभी 1000 उदाहरणों पर मॉडल को प्रशिक्षित करना शामिल होगा, लेकिन उन्हें एक समय में 32 के बैच में संसाधित करना होगा। यह प्रशिक्षण की कम्प्यूटेशनल लागत को कम करने में मदद कर सकता है, साथ ही मॉडल को संपूर्ण डेटासेट से सीखने की अनुमति भी दे सकता है।



