En epokkesløyfe med validering
Evaluer etter hver gjennomgang av dataene
En epokkesløyfe med validering er en gratis leksjon i Deep Learning Academy på CoddyKit. Dette er leksjon 2 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Deep Learning Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Deep Learning Academy inneholder totalt 4 leksjoner.
Hva en epoke betyr
Én epoch er én full gjennomgang av hele treningssettet. I ekte trening gjentas denne gjennomgangen mange ganger, slik at modellen stadig blir bedre.
Den ytre løkken
Legg hele rutinen inn i en løkke over epokene. Hver runde i denne ytre løkken trener én gang og kontrollerer deretter fremgangen på valideringsdata.
for epoch in range(num_epochs):
train_one_epoch()
validate()Den indre treningsløkken
Inne i en epoke går De gjennom batchene fra DataLoader. Hver batch følger den velkjente rytmen med forward, loss, backward og step.
for x, y in train_loader:
optimizer.zero_grad()
loss = loss_fn(model(x), y)
loss.backward()
optimizer.step()Bytt til treningsmodus
Før De trener en runde, kaller De model.train(). Det aktiverer lag som dropout og batch norm, som skal oppføre seg annerledes under læring.
model.train()Bytt til evalueringsmodus
Før De validerer, kaller De model.eval(). Det deaktiverer dropout og bruker løpende statistikk fra batch-norm, slik at resultatene blir stabile og rettferdige.
model.eval()Ingen gradienter under validering
Validering leser bare modellen, så legg den inn i torch.no_grad(). Når beregningsgrafen hoppes over, sparer De minne og kjøringen blir merkbart raskere.
with torch.no_grad():
for x, y in val_loader:
out = model(x)Følg med på det løpende tapet
Legg sammen tapet fra hver batch gjennom epoken, og del deretter på antallet. Dette gjennomsnittlige tapet er ett ryddig tall å sammenligne fra epoke til epoke.
total += loss.item() * x.size(0)
epoch_loss = total / len(loader.dataset)Mål valideringstapet
Beregn det samme gjennomsnittet på valideringssettet. Dette valideringstapet viser hvor godt modellen generaliserer utover dataene den ble trent på.
Skriv ut fremgang for hver epoke
Logg begge tapene for hver epoke, slik at De kan følge kurvene. Når De ser utviklingen mens treningen pågår, blir det enkelt å oppdage overtilpasning idet den begynner.
print(epoch, train_loss, val_loss)Les de to kurvene
Sunn trening viser at begge tapene synker. Når valideringstapet begynner å stige mens treningstapet fortsetter å synke, begynner modellen å bli overtilpasset.
Ikke kjør backward på validering
En vanlig feil er å kalle backward() under validering. Oppdater aldri vektene med valideringsdata, ellers forurenser De den ærlige målingen.
Hurtigsjekk
Hva bør De kalle rett før De kjører valideringsrunden?
Oppsummering
Hver epoke trenes i train mode, og valideres deretter i eval-modus med no_grad. Følg med på begge tapene og avstanden mellom dem for å oppdage overtilpasning tidlig. 📈
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «En epokkesløyfe med validering» gratis?
Ja – hele teksten i «En epokkesløyfe med validering» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Deep Learning Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Deep Learning Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «En epokkesløyfe med validering»?
Evaluer etter hver gjennomgang av dataene Du øver på Deep Learning Academy med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Deep Learning Academy?
Ingen tidligere erfaring er nødvendig. Deep Learning Academy på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.
Hvor lang tid tar leksjonen «En epokkesløyfe med validering»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Deep Learning Academy-leksjonen?
Ja. Alle Deep Learning Academy-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Del opp i trening, validering og test
- En epokkesløyfe med validering
- Lagre og last inn med state_dict
- Tidlig stopp basert på valideringstap