ทำความเข้าใจยุคในการเรียนรู้ของเครื่อง
ในบริบทของการเรียนรู้ของเครื่อง ยุคหมายถึงการทำซ้ำข้อมูลการฝึกอบรมอย่างสมบูรณ์ ในแต่ละยุค แบบจำลองจะได้รับการฝึกกับชุดข้อมูลทั้งหมด และน้ำหนักจะถูกปรับตามข้อผิดพลาดระหว่างเอาต์พุตที่คาดการณ์ไว้กับเอาต์พุตจริง
ตัวอย่างเช่น หากคุณมีชุดข้อมูลที่มีตัวอย่าง 1,000 ตัวอย่าง และโมเดลของคุณมีพารามิเตอร์ 1,000 ตัว จากนั้นหนึ่งยุคจะเกี่ยวข้องกับการฝึกอบรมแบบจำลองในตัวอย่างทั้งหมด 1,000 ตัวอย่าง โดยใช้พารามิเตอร์ทั้งหมด 1,000 ตัว เพื่อลดฟังก์ชันการสูญเสียให้เหลือน้อยที่สุด จำนวนยุคคือไฮเปอร์พารามิเตอร์ที่สามารถปรับในกระบวนการฝึกอบรมได้ จำนวนยุคที่เหมาะสมที่สุดขึ้นอยู่กับความซับซ้อนของปัญหา ขนาดของชุดข้อมูล และประสิทธิภาพของโมเดล โดยทั่วไป ยุคสมัยที่มากขึ้นอาจนำไปสู่การฟิตติ้งมากเกินไป โดยที่แบบจำลองมีความเฉพาะเจาะจงกับข้อมูลการฝึกมากเกินไป และไม่สามารถสรุปตัวอย่างใหม่ได้ดีนัก ในทางกลับกัน ยุคที่น้อยกว่าอาจไม่อนุญาตให้แบบจำลองเรียนรู้ได้เพียงพอจากข้อมูลการฝึกอบรม ในการเรียนรู้เชิงลึก ยุคต่างๆ มักจะใช้ร่วมกับชุดงาน แบทช์คือชุดย่อยของข้อมูลการฝึกที่ได้รับการประมวลผลร่วมกันก่อนที่จะอัปเดตน้ำหนักของแบบจำลอง ตัวอย่างเช่น หากคุณมีชุดข้อมูลที่มีตัวอย่าง 1,000 รายการ และคุณใช้ขนาดแบตช์ 32 รายการ ยุคหนึ่งจะเกี่ยวข้องกับการฝึกโมเดลกับตัวอย่างทั้งหมด 1,000 ตัวอย่าง แต่ประมวลผลเป็นชุดละ 32 รายการในแต่ละครั้ง ซึ่งสามารถช่วยลดต้นทุนด้านการคำนวณในการฝึกอบรม ในขณะที่ยังคงช่วยให้โมเดลเรียนรู้จากชุดข้อมูลทั้งหมดได้
ฉันชอบวิดีโอนี้
ฉันไม่ชอบวิดีโอนี้
รายงานข้อผิดพลาดของเนื้อหา
share
