د ماشین زده کړې ماډل کې د وختونو شمیر او د وړاندوینې دقت ترمینځ اړیکه یو مهم اړخ دی چې د ماډل فعالیت او عمومي کولو وړتیا باندې د پام وړ اغیزه کوي. یو دور د ټول روزنې ډیټا سیټ له لارې یو بشپړ پاس ته اشاره کوي. پدې پوهیدل چې څنګه د دورې شمیره د وړاندوینې دقت اغیزه کوي د ماډل روزنې اصلاح کولو او د مطلوب کچې فعالیت ترلاسه کولو کې اړین دي.
د ماشین زده کړې کې، د وختونو شمیر یو هایپرپرامیټر دی چې د ماډل جوړونکي باید د روزنې پروسې په جریان کې ټون ته اړتیا ولري. د وړاندوینې دقت په اړه د وختونو د شمیر اغیزې د ډیر فټینګ او کم فټینګ پیښې سره نږدې تړاو لري. اوورفټینګ هغه وخت رامینځته کیږي کله چې یو ماډل د روزنې ډیټا خورا ښه زده کړي ، د لاندې نمونو سره شور نیول. دا د نه لیدل شوي معلوماتو ضعیف عمومي کولو لامل کیږي ، چې په پایله کې یې د وړاندوینې دقیقیت کم شوی. له بلې خوا، انډر فټینګ هغه وخت پیښیږي کله چې ماډل په ډیټا کې د اصلي نمونو نیولو لپاره خورا ساده وي، د لوړ تعصب او ټیټ وړاندوینې دقت لامل کیږي.
د وختونو شمیر د ډیر فټینګ او کم فټینګ مسلو په حل کولو کې مهم رول لوبوي. کله چې د ماشین زده کړې ماډل ته روزنه ورکول کیږي، د وختونو شمیر زیاتول کولی شي د ماډل فعالیت تر یوې ټاکلې نقطې پورې ښه کولو کې مرسته وکړي. په پیل کې، لکه څنګه چې د وختونو شمیر ډیریږي، ماډل د روزنې ډیټا څخه ډیر څه زده کوي، او د روزنې او اعتبار ډیټاسیټونو په اړه د وړاندوینې دقت وده کوي. دا ځکه چې ماډل ډیر فرصتونه ترلاسه کوي ترڅو خپل وزنونه او تعصبونه تنظیم کړي ترڅو د ضایع فعالیت کم کړي.
په هرصورت، دا اړینه ده چې د وختونو شمیر ټاکلو په وخت کې سم توازن ومومئ. که چیرې د دورې شمیر خورا ټیټ وي ، ماډل ممکن ډیټا کم کړي ، چې د ضعیف فعالیت لامل کیږي. له بلې خوا، که چیرې د دورې شمیر خورا لوړ وي، ماډل ممکن د روزنې ډیټا حفظ کړي، چې په پایله کې یې نوي ډیټا ته عمومي کولو او کمولو المل کیږي. له همدې امله، دا مهمه ده چې د روزنې په جریان کې د ماډل فعالیت په جلا تایید ډیټاسیټ کې وڅیړئ ترڅو د دورې مطلوب شمیر وپیژني چې پرته له ډیر فټینګ د وړاندوینې دقیقیت اعظمي کوي.
د وختونو د مطلوب شمیر موندلو لپاره یوه عامه لاره د تخنیکونو کارول دي لکه د پیل مخه نیسي. په پیل کې ودرول د اعتبار ډیټاسیټ کې د ماډل فعالیت نظارت کول او د روزنې پروسې ودرول شامل دي کله چې د اعتبار ضایع ډیریدل پیل شي ، دا په ګوته کوي چې ماډل ډیر مناسب پیل کوي. د ژر ودریدو په کارولو سره ، پراختیا کونکي کولی شي ماډل د ډیری دورونو لپاره د روزنې مخه ونیسي او د هغې عمومي کولو وړتیا ښه کړي.
د ماشین زده کړې ماډل کې د وختونو شمیر او د وړاندوینې دقت ترمینځ اړیکه د ماډل فعالیت اصلاح کولو او د ډیر فټینګ او کم فټینګ مسلو په نښه کولو کې یو مهم فاکتور دی. د وختونو په شمیر کې د سم توازن موندل اړین دي ترڅو د وړاندوینې لوړ درستیت ترلاسه کړي پداسې حال کې چې ډاډ ترلاسه کوي چې ماډل نوي ډیټا ته ښه عمومي کوي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/TFF TensorFlow اساسات:
- څنګه کولای شو چی د ویکتورونو په توګه د کلمو د نمایندګۍ د پلاټ لپاره مناسب محورونه په اتوماتيک ډول وټاکو لپاره د سرایت کولو پرت وکاروو؟
- په CNN کې د اعظمي پولینګ هدف څه دی؟
- د عکس پیژندنې لپاره په کنولوشنال عصبي شبکه (CNN) کې د فیچر استخراج پروسه څنګه پلي کیږي؟
- ایا دا اړینه ده چې په TensorFlow.js کې د ماشین زده کړې ماډلونو لپاره د غیر متناسب زده کړې فعالیت وکاروئ؟
- د TensorFlow Keras Tokenizer API د کلمو پیرامیټر اعظمي شمیر څه دی؟
- ایا TensorFlow Keras Tokenizer API د ډیری مکرر کلمو موندلو لپاره کارول کیدی شي؟
- TOCO څه شی دی؟
- ایا د TensorFlow په عصبي جوړښت شوي زده کړې کې د پیک ګاونډی API د طبیعي ګراف ډیټا پراساس د روزنې ډیټاسیټ وده کوي؟
- د TensorFlow په عصبي ساختماني زده کړې کې د پیک ګاونډی API څه شی دی؟
- ایا د عصبي جوړښت زده کړې د ډیټا سره کارول کیدی شي د کوم لپاره چې طبیعي ګراف شتون نلري؟
نورې پوښتنې او ځوابونه په EITC/AI/TFF TensorFlow Fundamentals کې وګورئ