Veqetandina 80% giraniyê ji perwerdehiyê û 20% giraniyê ji bo nirxandina di çarçoweya fêrbûna makîneyê de biryarek stratejîk e ku li ser gelek faktoran pêk tê. Armanca vê belavkirinê ew e ku hevsengiyek di navbera xweşkirina pêvajoya fêrbûnê û misogerkirina nirxandina rast a performansa modelê de çêbike. Di vê bersivê de, em ê li sedemên li pişt vê hilbijartinê bikolin û nirxa dîdaktîk a ku ew pêşkêş dike vekolin.
Ji bo têgihîştina maqûlê li pişt dabeşbûna 80% perwerdehiyê û 20% dabeşkirina nirxandinê, girîng e ku meriv heft gavên fêrbûna makîneyê fam bike. Van gavan, ku berhevkirina daneyan, amadekirina daneyan, perwerdehiya modelê, nirxandina modelê, berhevkirina modelê, bicîhkirina modelê, û şopandina modelê vedihewîne, ji bo avakirina modelên fêrbûna makîneyê çarçoveyek berfireh pêk tîne.
Pêngava destpêkê, berhevkirina daneyan, berhevkirina daneyên têkildar ji bo perwerdekirina modelê vedihewîne. Dûv re ev data di qonaxa amadekirina daneyan de pêşdibistanê têne çêkirin û amade kirin. Dema ku dane amade bibin, qonaxa perwerdehiya modelê dest pê dike, ku model ji berhevoka perwerdehiyê re tê xuyang kirin da ku nimûne û têkiliyan fêr bibe. Dûv re performansa modelê di qonaxa nirxandina modelê de bi karanîna danûstendinek cihêreng tê nirxandin.
Biryara veqetandina 80% giraniyê ji bo perwerdehiyê û 20% giraniyê ji bo nirxandinê ji vê rastiyê derdikeve ku perwerde qonaxa bingehîn e ku model ji daneyan fêr dibe. Di dema perwerdehiyê de, model pîvanên xwe yên hundurîn eyar dike da ku cûdahiya di navbera hilberên xwe yên pêşbînkirî û hilberên rastîn ên di berhevoka perwerdehiyê de kêm bike. Ev pêvajo bi dubarekirina nûvekirina parametreyên modelê bi karanîna algorîtmayên xweşbîniyê yên wekî daketina gradientê vedihewîne.
Bi danîna giraniyek bilindtir ji perwerdehiyê re, em pêşî li kapasîteya modelê digirin ku ji daneyan fêr bibe û qalibên tevlihev bigire. Qonaxa perwerdehiyê ew e ku model zanyariya xwe distîne û ji berhevoka perwerdehiyê giştî dike da ku li ser daneyên nedîtî pêşbîniyan bike. Zêdetir daneya perwerdehiyê ya ku model jê re tê xuyang kirin, ew qas çêtir dikare fêr bibe û giştî bike. Ji ber vê yekê, veqetandina beşek girîng a pêvajoya nirxandinê ji perwerdehiyê re piştrast dike ku modela ji bo fêrbûna bi bandor ji daneyên perwerdehiyê re têr xuyang dike.
Ji hêla din ve, qonaxa nirxandinê di nirxandina performansa modelê ya li ser daneyên nedîtî de rolek girîng dilîze. Danûstendina nirxandinê, ku ji berhevoka perwerdehiyê veqetandî ye, ji bo senaryoyên cîhana rastîn wekî proxy kar dike. Ew dihêle ku em binirxînin ka model çiqasî baş dikare fêrbûna xwe li ser mînakên nû û nedîtî giştî bike. Nirxandina performansa modelê ji bo pîvandina rastbûn, rastbûn, bibîranîn, an metrîkên din ên têkildar, li gorî qada pirsgirêkê ya taybetî, pêdivî ye.
Giraniya 20% ya ku ji nirxandinê re hatî dayîn piştrast dike ku model bi hişkî li ser daneyên nedîtî tê ceribandin û nirxandinek rastîn a kapasîteyên xwe peyda dike. Vê qonaxa nirxandinê di pêşbîniyên modelê de pirsgirêkên potansiyel ên mîna zêdebûn, kêmbûn, an jî alîgiriyê vedibêje. Di heman demê de ew birêkûpêkkirina hîperparametre û mîmariya modelê jî dihêle ku performansê baştir bike.
Ji bo ronîkirina vê têgehê, werin em mînakek pratîkî bidin ber çavan. Bifikirin ku em modelek fêrbûna makîneyê perwerde dikin da ku wêneyên pisîk û kûçikan dabeş bikin. Di qonaxa perwerdehiyê de, model fêr dibe ku di navbera taybetmendiyên pisîk û kûçikan de bi analîzkirina danûstendinek mezin a wêneyên etîketkirî cuda bike. Çiqas bêtir wêneyan ku model dikare li ser perwerde bike, ew qas çêtir dibe ku di navbera her du çînan de cûdahiyê bike.
Piştî ku perwerde qediya, model bi karanîna databasek veqetandî ya ku tê de wêneyên ku berê qet nedîtiye tê nirxandin. Vê qonaxa nirxandinê kapasîteya modelê diceribîne ku fêrbûna xwe giştî bike û bi duristî senifandina wêneyên nû, nedîtî. Bi veqetandina 20% giraniya ji bo nirxandinê, em piştrast dikin ku performansa modelê bi hûrgulî li ser daneyên nedîtî tê nirxandin, û pîvanek pêbawer a bandora wê peyda dike.
Dabeşkirina 80% giraniya ji bo perwerdehiyê û 20% giraniya ji bo nirxandina di fêrbûna makîneyê de bijarek stratejîk e ku mebesta xweşbînkirina pêvajoya fêrbûnê ye di heman demê de misogerkirina nirxandina rast a performansa modelê. Bi veqetandina beşek girîng a pêvajoya nirxandinê ji perwerdehiyê re, em pêşî li kapasîteya modelê digirin ku ji daneyan fêr bibe û qalibên tevlihev bigire. Di heman demê de, qonaxa nirxandinê bi tundî modelê li ser daneyên nedîtî diceribîne, nirxandinek rastîn a kapasîteyên wê peyda dike.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/AI/GCML Fêrbûna Makîna Ewr a Google:
- Nivîsar bi axaftinê (TTS) çi ye û ew çawa bi AI-ê re dixebite?
- Di fêrbûna makîneyê de di xebata bi daneyên mezin de çi sînor hene?
- Ma fêrbûna makîneyê dikare hin arîkariya diyalogê bike?
- Qada lîstikê ya TensorFlow çi ye?
- Di rastiyê de danûstendinek mezintir tê çi wateyê?
- Hin mînakên hîperparametreyên algorîtmê çi ne?
- Fêrbûna ensambleyê çi ye?
- Ger algorîtmayek fêrbûna makîneya bijartî ne guncan be û meriv çawa dikare piştrast bike ku ya rast hilbijêrin?
- Ma modelek fêrbûna makîneyê di dema perwerdehiya xwe de hewceyê çavdêriyê ye?
- Parametreyên sereke yên ku di algorîtmayên bingeha tora neuralî de têne bikar anîn çi ne?
Pirs û bersivan bêtir li EITC/AI/GCML Fêrbûna Makîneya Cloud Google-ê bibînin