د ژورې زده کړې په ساحه کې، په ځانګړې توګه د ماډل ارزونې او د فعالیت ارزونې په شرایطو کې، د نمونې څخه بهر ضایع او د اعتبار ضایع کولو ترمنځ توپیر خورا مهم دی. د دې مفاهیمو پوهیدل د متخصصینو لپاره خورا مهم دي چې هدف یې د دوی د ژورې زده کړې ماډلونو اغیزمنتیا او عمومي کولو وړتیاوې درک کول دي.
د دې شرایطو پیچلتیاو ته د رسیدو لپاره ، دا اړینه ده چې لومړی د ماشین زده کړې ماډلونو په شرایطو کې د روزنې ، اعتبار او ازموینې ډیټاسیټونو بنسټیز مفکورې وپیژنئ. کله چې د ژورې زده کړې ماډل رامینځته کړئ، ډیټاسیټ عموما په دریو اصلي فرعي برخو ویشل کیږي: د روزنې سیټ، د اعتبار سیټ، او د ازموینې سیټ. د روزنې سیټ د ماډل روزنې لپاره کارول کیږي، وزنونه او تعصبونه تنظیموي ترڅو د ضایع فعالیت کم کړي او د وړاندوینې فعالیت ته وده ورکړي. له بلې خوا د اعتبار سیټ د یو خپلواک ډیټا سیټ په توګه کار کوي چې د هایپر پارامیټرونو ښه کولو لپاره کارول کیږي او د روزنې پروسې په جریان کې د ډیر فټینګ مخه نیسي. په نهایت کې ، د ازموینې سیټ په نه لیدل شوي ډیټا کې د ماډل فعالیت ارزولو لپاره ګمارل شوی ، د دې عمومي کولو وړتیاو ته بصیرت چمتو کوي.
د نمونې څخه بهر ضایع، چې د ازموینې ضایع په نوم هم پیژندل کیږي، د نمونې روزل شوي او اعتباري کیدو وروسته د ټیسټ سیټ کې حساب شوي غلطی میټریک ته اشاره کوي. دا په نه لیدل شوي ډیټا کې د ماډل فعالیت نمایندګي کوي او د نوي ، نه لیدل شوي مثالونو ته د عمومي کولو وړتیا د یو مهم شاخص په توګه کار کوي. د نمونې څخه بهر ضایع د ماډل د وړاندوینې ځواک ارزولو لپاره کلیدي میټریک دی او ډیری وختونه د مختلف ماډلونو پرتله کولو یا د غوره فعالیت کولو غوره کولو لپاره تنظیم کولو لپاره کارول کیږي.
له بلې خوا، د اعتبار ضایع هغه تېروتنه ده چې د روزنې پروسې په جریان کې د اعتبار په ترتیب کې حساب شوې. دا د ډیټا په اړه د ماډل فعالیت نظارت کولو لپاره کارول کیږي چې په اړه یې روزل شوي ندي ، د ډیر فټینګ مخنیوي کې مرسته کوي او د هایپر پیرامیټرونو انتخاب لارښود کوي لکه د زده کړې کچه ، د بیچ اندازه ، یا د شبکې جوړښت. د اعتبار ضایع د موډل روزنې په جریان کې ارزښتناکه فیډبیک وړاندې کوي، چې متخصصین د دې توان ورکوي چې د موډل اصلاح کولو او ټونینګ په اړه باخبره پریکړې وکړي.
دا مهمه ده چې په یاد ولرئ چې پداسې حال کې چې د اعتبار ضایع د ماډل پراختیا او ښه کولو لپاره یو اړین میټریک دی، د ماډل فعالیت وروستی اندازه د نمونې څخه بهر ضایع کې ده. د نمونې څخه بهر ضایع دا منعکس کوي چې ماډل نوي، نه لیدل شوي ډیټا ته څومره ښه عمومي کوي او د دې ریښتیني نړۍ پلي کیدو او وړاندوینې ځواک ارزولو لپاره یو مهم میټریک دی.
د نمونې څخه بهر ضایع کول او د اعتبار ضایع کول د ژورې زده کړې ماډلونو ارزونه او اصلاح کې جلا خو بشپړونکي رول لوبوي. پداسې حال کې چې د اعتبار ضایع د روزنې په جریان کې د ماډل پراختیا او د هایپرپرامیټر ټونینګ لارښوونه کوي، د نمونې څخه بهر ضایع د نه لیدل شوي ډیټا په اړه د ماډل عمومي کولو وړتیاوو یوه دقیقه ارزونه وړاندې کوي، د ماډل فعالیت ارزونې لپاره د وروستي معیار په توګه خدمت کوي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/DLPP د Python او PyTorch سره ژوره زده کړه:
- که چیرې یو څوک غواړي چې د رنګ عکسونه په عصبي عصبي شبکه کې وپیژني ، ایا یو څوک باید د خړ پیمانه عکسونو د ثبت کولو پرمهال بل اړخ اضافه کړي؟
- ایا د فعالولو فعالیت په پام کې نیول کیدی شي چې په مغزو کې د نیورون تقلید یا په ډزو سره یا نه؟
- ایا PyTorch د ځینې اضافي دندو سره په GPU کې د NumPy چلولو سره پرتله کیدی شي؟
- ایا یو څوک باید د PyTorch د چلولو عصبي شبکې ماډل عملي تحلیل لپاره د ټینسر بورډ وکاروي یا میټپلوټلیب کافي دی؟
- ایا PyTorch د ځینې اضافي دندو سره په GPU کې د NumPy چلولو سره پرتله کیدی شي؟
- ایا دا وړاندیز ریښتیا دی یا غلط "د طبقه بندي عصبي شبکې لپاره پایله باید د ټولګیو ترمینځ احتمالي توزیع وي."
- ایا په PyTorch کې په ډیری GPUs کې د ژورې زده کړې عصبي شبکې ماډل چلول خورا ساده پروسه ده؟
- ایا منظم عصبي شبکه د نږدې 30 ملیارد متغیرونو فعالیت سره پرتله کیدی شي؟
- تر ټولو لوی عصبي عصبي شبکه څه ده؟
- که ان پټ د numpy arrays storing heatmap لیست وي کوم چې د ViTPose محصول دی او د هرې numpy فایل شکل [1, 17, 64, 48] په بدن کې د 17 کلیدي ټکو سره مطابقت لري، کوم الګوریتم کارول کیدی شي؟
نورې پوښتنې او ځوابونه په EITC/AI/DLPP ژور زده کړه کې د Python او PyTorch سره وګورئ