Wenn ich mir Artikel über künstliche Intelligenz ansehe, sehe ich oft das Wort "** Lernzeiten **".
Jeder Artikel wird in schwierigen Worten erklärt, daher ist er schwer zu verstehen! Ich denke, viele Leute haben das gedacht.
Dieses Mal werde ich die "Anzahl der Lernvorgänge" auf leicht verständliche Weise erklären.
Siehe das Bild unten. Dies ist die Anzahl der Lernvorgänge.
Ich werde eins nach dem anderen erklären.
Zum Beispiel versuchen Sie jetzt, eine künstliche Intelligenz (KI) zu erstellen, die Bilder von Hunden und Katzen trennt. Wir haben 3.000 Bilder von Hunden und 3.000 Bilder von Katzen für insgesamt 6.000 vorbereitet.
Wir werden diese 6.000 Bilder der KI zeigen, damit Sie sich an die Eigenschaften von Hunden und Katzen erinnern können. KI kann jedoch nicht schlau sein, wenn sie nur "6.000 Blätter einmal sieht". Dies ist das Gleiche, als könnte man sich nicht sofort daran erinnern, was der Lehrer im Unterricht gesagt hat.
Also versuche ich mich daran zu erinnern, indem ich mir immer wieder 6.000 Blätter ansehe. Einfach ausgedrückt: "Wie oft haben Sie gesehen (erinnert)" ist die Häufigkeit, mit der Sie gelernt haben.
Wenn Sie dreimal 6.000 Bilder sehen, lernen Sie dreimal. (Insgesamt 18.000) Wenn Sie 6.000 Bilder 5 Mal betrachten, lernen Sie 5 Mal. (Insgesamt 30.000 Blatt) Wenn Sie 100 Mal 6.000 Bilder sehen, lernen Sie 100 Mal. (Insgesamt 6.000.000)
Je mehr Sie lernen, desto intelligenter wird Ihre KI. Das erste Mal (die ersten 6.000 Fotos) war "Ich weiß nicht, ob es ein Hund oder eine Katze ist ...", aber als ich es zweimal oder dreimal zeigte, "Ich wusste es vorher nicht, aber jetzt weiß ich es!" Ich werde schlauer mit dem Gefühl.
Die Grundlagen sind wie folgt, aber in Wirklichkeit lernen Sie etwas anders. Vor einigen Jahren dachte ein großer Mann an "einen effizienteren und intelligenteren Weg". So wird "Chargengröße" verwendet.
Um uns effizienter zu erinnern, verwenden wir die Idee der Chargengröße. Wenn beispielsweise die Stapelgröße = 600 ist, ist dies wie folgt.
Teilen Sie 6.000 Bilder in Gruppen von jeweils 600. Zu diesem Zeitpunkt ist "600" ** Chargengröße **. Da 6.000 Blatt in 600 Blatt unterteilt sind, können insgesamt 10 Gruppen erstellt werden. KI lernt für jede Gruppe.
Hier ist ein Punkt zu beachten. Die zu gruppierenden Bilder werden nicht in der Reihenfolge des ersten Bildes ausgewählt, sondern von 6.000 bis "** zufällig **".
Wählen Sie 600 aus 6.000 → Gruppe 1 Wählen Sie 600 aus 6.000 → Gruppe 2 Wählen Sie 600 aus 6.000 → Gruppe 3
Bilden Sie 10 Gruppen wie diese. Zu diesem Zeitpunkt ist es nicht erforderlich zu entscheiden, wie viele Hunde und wie viele Katzen. Bilden Sie eine Gruppe von jeweils 600 Blättern.
Sie fragen sich möglicherweise: "Wenn Sie sie zufällig auswählen, erhalten Sie Bilder, die 2,3-mal ausgewählt wurden, oder Bilder, die nie ausgewählt wurden."
Korrekt. Es scheint, dass eine flexible KI erstellt werden kann, indem auf diese Weise "entsprechend ausgewählt" wird. (Es ist okay, wenn du darüber nachdenkst)
Wenn Sie 6.000 Blätter durch die Stapelgröße = 600 teilen, können Sie 10 Gruppen erstellen, und diese "10" wird als "** Iteration **" bezeichnet.
Iteration bedeutet auf Japanisch "wiederholt". Es wird in einer Atmosphäre von "Iteration 1, Iteration 2, Iteration 3" wie "einmal, zweimal, dreimal" verwendet.
Mit anderen Worten, in diesem Beispiel Ein 6.000-Datensatz wurde mit einer Stapelgröße von 600 und einer Iteration von 10 trainiert. Es wird so sein.
Übrigens nennen Programmierer die Anzahl der Lernvorgänge die "Epochennummer". Epoche 3 für 3 Lektionen, 10 Lernzeiten ist Epoche 10, Epoche 100 für 100 Lektionen, Es sieht aus wie.
Die folgende Abbildung fasst die Epoche, die Stapelgröße und die Iteration zusammen.
Wenn Sie diese Zahl verstehen können, sollten Sie sie auch dann verstehen können, wenn das Wort "Lernanzahl" erscheint, wenn Sie Artikel und Artikel über künstliche Intelligenz betrachten!
** "KI für Katzenallergie" ** https://t.co/4ltE8gzBVv?amp=1 Wir senden über maschinelles Lernen auf YouTube. Wenn Sie Zeit haben, schauen Sie bitte.
created by NekoAllergy
Recommended Posts