Przejście w przód, strata, wstecz i krok
Poznać cztery działania jednej iteracji uczenia
Przejście w przód, strata, wstecz i krok to bezpłatna lekcja Deep Learning Academy na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Deep Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Cztery kroki, jeden rytm
Każda iteracja trenowania składa się tylko z czterech powtarzanych kroków: forward, loss, backward, step. Opanuj ten rytm, a cała pętla trenowania przestanie być tajemnicą. 🥁
Krok pierwszy: forward
Przebieg w przód przepuszcza dane wejściowe przez model, aby wygenerował predykcję. Wystarczy wywołać model dla partii danych i odczytać wynik.
pred = model(x)Logity, jeszcze nie odpowiedzi
Wynikiem przebiegu w przód są zwykle surowe wartości nazywane logitami, a nie gotowe etykiety. Funkcja straty potrafi odczytać te wartości bezpośrednio, więc pozostawiasz je bez zmian.
Krok drugi: loss
Następnie mierzysz, jak bardzo błędna była predykcja. Strata porównuje wynik z prawdziwymi etykietami i sprowadza błąd do jednej liczby.
loss = loss_fn(pred, y)Mniejsza strata, lepszy model
Duża strata oznacza słabą predykcję, a mała — dobrą. Trenowanie ma jeden cel: stopniowo zmniejszać tę liczbę.
Krok trzeci: backward
Teraz pytasz, w którą stronę zmodyfikować każdą wagę. Przebieg wsteczny korzysta z autograd, aby obliczyć każdy gradient i automatycznie wypełnić pole .grad każdego parametru.
loss.backward()Gradienty wskazują kierunek
Każdy gradient informuje, jak zmieniłaby się strata po nieznacznym zmodyfikowaniu danej wagi. Są mapą, którą optymalizator podąża w stronę lepszego modelu.
Krok czwarty: step
Na koniec optymalizator stosuje te gradienty, lekko modyfikując każdą wagę. Ten krok to moment, w którym model faktycznie uczy się na swoim błędzie.
optimizer.step()Wyczyść gradienty
Gradienty są domyślnie kumulowane, dlatego przed kolejnym backward wywołujesz zero_grad. Jeśli to pominiesz, stare gradienty zniekształcą następną aktualizację.
optimizer.zero_grad()Cały krok
Połącz te cztery kroki, a otrzymasz jedną spójną iterację. Ten dokładny schemat będzie pojawiać się niemal w każdym tworzonym przez Ciebie projekcie PyTorch.
optimizer.zero_grad()
pred = model(x)
loss = loss_fn(pred, y)
loss.backward()
optimizer.step()A potem powtórz
Wykonuj te kroki dla kolejnych partii, a strata będzie za każdym razem nieco maleć. Tysiące drobnych aktualizacji zamienia losowe wagi w rzeczywiste umiejętności.
Szybkie sprawdzenie
Które wywołanie faktycznie oblicza gradienty dla każdej wagi?
Podsumowanie
Jedna iteracja składa się z czterech kroków: forward generuje predykcję, loss mierzy błąd, backward oblicza gradienty, a step aktualizuje wagi. Powtarzaj, aby model się uczył. 🎉
Często zadawane pytania
Czy lekcja „Przejście w przód, strata, wstecz i krok” jest bezpłatna?
Tak — pełny tekst „Przejście w przód, strata, wstecz i krok” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Deep Learning Academy, przejdź na CoddyKit PRO. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Przejście w przód, strata, wstecz i krok”?
Poznać cztery działania jednej iteracji uczenia Ćwiczysz Deep Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Deep Learning Academy?
Nie wymagamy żadnego doświadczenia. Deep Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Przejście w przód, strata, wstecz i krok”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Deep Learning Academy?
Tak. Każda lekcja Deep Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Przejście w przód, strata, wstecz i krok
- Napisać minimalną pętlę uczenia
- Śledzić dokładność podczas uczenia
- Tryb train a tryb eval