Korszakok megértése a gépi tanulásban

A gépi tanulás kontextusában egy korszak a betanítási adatok teljes iterációjára utal. Az egyes korszakok során a modell a teljes adatkészletre betanításra kerül, és a súlyok az előre jelzett kimenet és a tényleges kimenet közötti hiba alapján módosulnak.

Például, ha van egy adatkészlete 1000 példából, és a modellje 1000 paraméterrel rendelkezik, akkor egy korszak magában foglalja a modell betanítását mind az 1000 példán, mind az 1000 paraméter felhasználásával a veszteségfüggvény minimalizálása érdekében.

Az epochák száma egy hiperparaméter, amely a betanítási folyamatban állítható. Az epochák optimális száma a probléma összetettségétől, az adathalmaz méretétől és a modell teljesítményétől függ. Általában több korszak vezethet túlillesztéshez, ahol a modell túlságosan specializálódik a képzési adatokra, és nem általánosítható jól az új példákra. Másrészt előfordulhat, hogy kevesebb korszak nem teszi lehetővé a modell számára, hogy eleget tanuljon a betanítási adatokból.

A mély tanulásban az epochokat gyakran kötegekkel együtt használják. A köteg a betanítási adatok egy részhalmaza, amelyet a rendszer együtt dolgoz fel a modell súlyainak frissítése előtt. Például, ha van egy 1000 példát tartalmazó adatkészlete, és 32-es kötegméretet használ, akkor egy korszak magában foglalja a modell betanítását mind az 1000 példán, de azokat egyszerre 32-es kötegekben dolgozza fel. Ez segíthet csökkenteni a képzés számítási költségeit, miközben lehetővé teszi a modell számára, hogy tanuljon a teljes adatkészletből.