การ มอง ใน แง่ ดี เป็น ขั้น ตอน สําคัญ ใน การ พัฒนา เครือ ข่าย ประสาท ที่ มี ประสิทธิภาพ การ ตั้ง ตา ที่ เหมาะ สม สามารถ ช่วย ปรับ ปรุง ความ ถูก ต้อง ของ แบบ ลด เวลา ฝึก อบรม และ ป้องกัน การ ทํา งาน มาก เกิน ไป บทความ นี้ จะ สํารวจ เทคนิค ทั่ว ไป และ ให้ ตัว อย่าง ที่ ช่วย ชี้ นํา กระบวนการ นี้
การเข้าใจ Hyperparater
ไฮเพอร์พารามิเตอร์คือการตั้งค่าที่ควบคุมกระบวนการฝึกอบรมของเครือข่ายประสาท รวมไปถึงอัตราการเรียนระดับการเรียนรู้, ขนาดชุด, จํานวนของยุคและสถาปัตยกรรมเครือข่าย ต่างจากน้ําหนักโมเดล, ไฮเปอร์พาร์รามิเตอร์ ถูกตั้งค่าก่อนที่การฝึกจะเริ่ม และมีผลอย่างมาก
เทคนิกสําหรับ hyperparater opimation
มีหลายวิธีการในการหาค่าไฮเปอร์พาราเมตรที่เหมาะสมที่สุด การค้นหาแบบตารางแบบระบบ การค้นหาอย่างสุ่ม ในขณะที่การค้นหาพารามิเตอร์สุ่ม ๆ
ไฮเปอร์พาร์มิเตอร์และตัวอย่างทั่วไป
- [FLT: 0] อัตราการเกล้า: ควบคุมว่าโมเดลปรับเมื่อฝึกเท่าไร ค่าปกติจะอยู่ระหว่าง 0.01 ถึง 0.01.
- [FLT: 0] ขนาด batch: จํานวนตัวอย่างดําเนินการก่อนที่จะปรับปรุงรุ่น ขนาดทั่วไปคือ 32, 64 หรือ 128.
- [FLT: 0] กํากับของ Epochs: สืบค้นข้อมูลทั้งหมดผ่านชุดข้อมูลการฝึก โดยปกติจะอยู่ระหว่าง 10-100.
- [FLT: 0] สถาปัตยกรรมเวิร์ค: จํานวนชั้นและเซลล์ประสาทต่อชั้น มีผลต่อความจุแบบ