Tesbîtkirina ka modelek fêrbûna makîneyê bi rêkûpêk tê perwerde kirin an na, aliyekî girîng a pêvajoya pêşkeftina modelê ye. Digel ku rastbûn di nirxandina performansa modelek de metrîkek girîng e (an tewra metrîkek bingehîn) jî, ew ne tenê nîşana modelek baş-perwerdekirî ye. Gihîştina rastiyek ji% 90 ji bo hemî peywirên fêrbûna makîneyê ne bendek gerdûnî ye. Asta pejirandî ya rastbûnê dikare li gorî pirsgirêka taybetî ya ku tê çareser kirin cûda bibe.
Rastbûn pîvanek e ku çend caran model ji hemî pêşbîniyên hatine çêkirin pêşbîniyên rast dike. Ew wekî hejmara pêşbîniyên rast bi tevahî hejmara pêşbîniyan ve tê hesibandin. Lêbelê, rastbûn bi tenê dibe ku wêneyek bêkêmasî ya performansa modelê peyda neke, nemaze di rewşên ku daneheva hevseng e, tê vê wateyê ku di hejmara nimûneyên her polê de cûdahiyek girîng heye.
Digel rastbûnê, metrîkên din ên nirxandinê yên wekî rastbûn, bîranîn, û xala F1 bi gelemperî têne bikar anîn da ku performansa modelek fêrbûna makîneyê binirxînin. Rastî rêjeya pêşbîniyên erênî yên rast ji hemî pêşbîniyên erênî dipîve, dema ku bîranîn rêjeya pêşbîniyên erênî yên rast ji hemî erênîyên rastîn hesab dike. Pûana F1 navgîniya ahengî ya rastbûn û bîranînê ye û hevsengiyek di navbera her du metrikan de peyda dike.
Pêdivî ye ku meriv hewcedariyên taybetî yên pirsgirêkê li ber çavan bigire dema ku meriv destnîşan dike ka modelek bi rêkûpêk hatî perwerde kirin. Mînakî, di peywirek teşhîsa bijîjkî de, bidestxistina rastbûna bilind girîng e ji bo misogerkirina pêşbîniyên rast û dûrketina ji teşhîsên xelet. Ji hêla din ve, di senaryoyek tespîtkirina xapandinê de, bîranîna bilind dibe ku ji bo girtina bi qasî ku gengaz be dozên xapînok girîngtir be, tewra bi bihayê hin erênîyên derewîn.
Digel vê yekê, performansa modelek divê ne tenê li ser daneyên perwerdehiyê lê di heman demê de li ser databasek pejirandî ya cihê jî were nirxandin da ku kapasîteyên giştîkirina wê binirxîne. Zêdebûn, li cihê ku modelek li ser daneyên perwerdehiyê baş lê li ser daneyên nedîtî kêm pêk tîne, dikare bi metrîkên pejirandinê ve were tesbît kirin. Teknîkên wekî erêkirina xaçerê dikare alîkariya kêmkirina zêdepergalê bike û nirxandinek bihêztir a performansa modelê peyda bike.
Digel ku rastbûn nîşanek bingehîn a performansa modelê ye, pêdivî ye ku meriv pîvanên din ên wekî rastbûn, bibîranîn, û xala F1, û her weha hewcedariyên taybetî yên qada pirsgirêkê bihesibîne. Ji bo rastbûna ku bi gerdûnî ve tê sepandin ti bendek sabît tune, û divê nirxandina modelek berfereh be, ku metrîkên cihêreng û teknîkên pejirandinê li ber çavan bigire da ku bandora wê di serîlêdanên cîhana rastîn de misoger bike.
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