के संदर्भ में गहन शिक्षा का एक युगएक युग एक पूर्ण पास संपूर्ण प्रशिक्षण डेटासेट से होकर गुजरता है। एक युग के दौरान, ध्यान लगा के पढ़ना या सीखना एल्गोरिदम प्रत्येक प्रशिक्षण उदाहरण को संसाधित करता है और उसकी भविष्यवाणियों की त्रुटि के आधार पर मॉडल के मापदंडों (वजन और पूर्वाग्रह) को अपडेट करता है।
गहन शिक्षण में युग कार्यान्वयन:
1. दीक्षा:
हे डेटासेट को लोड और प्रीप्रोसेस करें। गहन शिक्षा का युग
हे यादृच्छिक भार और पूर्वाग्रहों के साथ मॉडल को प्रारंभ करें।
हे एक ऑप्टिमाइज़र चुनें (उदाहरण के लिए, एसजीडी, एडम) और एक हानि फ़ंक्शन (उदाहरण के लिए, प्रतिगमन के लिए माध्य वर्ग त्रुटि, वर्गीकरण के लिए क्रॉस-एन्ट्रॉपी)।
2. प्रशिक्षण लूप:
हे युग लूप: युगों की संख्या के लिए दोहराएँ.
▪ बैच लूप: प्रत्येक युग के भीतर, डेटासेट को विशिष्ट रूप से विभाजित किया जाता है
छोटे समूहों को बैच (या मिनी-बैच) कहा जाता है। ऐसा मेमोरी दक्षता और अधिक लगातार अपडेट प्रदान करने जैसे व्यावहारिक कारणों से किया जाता है
नमूना
▪ प्रत्येक बैच के लिए:
- अग्रवर्ती पारण: के लिए मॉडल पूर्वानुमानों की गणना करें
दस्ता
- हानि गणना: अनुमानित हानि की गणना करें
आउटपुट और वास्तविक लक्ष्य.
- बैक पास: हानि प्रवणता की गणना करें
बैकप्रॉपैगेशन का उपयोग करके मॉडल पैरामीटर का अनुमान लगाना।
- पैरामीटर अद्यतन: का उपयोग कर मॉडल के मापदंडों को अद्यतन करें
ग्रेडिएंट और चयनित अनुकूलक।
▪ सभी बैच संसाधित होने के बाद, एक युग पूरा हो जाता है।
हे प्रत्येक युग के बाद, ओवरफिटिंग और सामान्यीकरण क्षमता की जांच करने के लिए सत्यापन सेट (यदि उपलब्ध हो) पर मॉडल के प्रदर्शन का मूल्यांकन करें।
वैकल्पिक रूप से, यदि मॉडल नया सर्वोत्तम प्रदर्शन प्राप्त करता है तो उसकी स्थिति को बचाएं। 4. समापन:
सभी युग पूरे होने के बाद, प्रशिक्षण प्रक्रिया समाप्त हो जाती है।
इसके प्रदर्शन का मूल्यांकन करने के लिए अंतिम मॉडल का एक अलग परीक्षण सेट पर परीक्षण किया जा सकता है।
एकाधिक युगों का उपयोग करने के लाभ:
- बेहतर प्रदर्शन: अधिक युगों से मॉडल के प्रदर्शन में सुधार हो सकता है क्योंकि यह डेटा से अधिक सीखता है।
- जल्दी रुकें: समय के साथ सत्यापन प्रदर्शन की निगरानी करने से ओवरफिटिंग से बचने के लिए जल्दी रोकने जैसी तकनीकों को लागू करने में मदद मिलती है।
