Girdileri Normalleştirme ve Standartlaştırma
Eğitimin yakınsaması için özellikleri ölçeklendirin.
Girdileri Normalleştirme ve Standartlaştırma, CoddyKit'te ücretsiz bir Deep Learning Academy dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Deep Learning Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Deep Learning Academy kursu toplamda 4 dersten oluşur.
Ham Sayılar Öğrenmeyi Yavaşlatır
Yaş ve maaş gibi büyük ölçüde farklı ölçeklerdeki özellikler ağı karıştırır. Önce yeniden ölçeklendirmek, normalleştirmenin eğitimin daha hızlı yakınsamasını sağlamasının nedenidir. ⚖️
İki Yaygın Yöntem
İki temel ölçekleyiciyle karşılaşacaksınız: standartlaştırma verileri sıfır ortalamaya ve birim varyansa taşır; min-maks yöntemi ise verileri 0 ile 1 gibi sabit bir aralığa sıkıştırır.
Ortalama ve Std ile Standartlaştırın
Standartlaştırma, ortalamayı çıkarır ve standart sapmaya böler. Sonuç sıfır etrafında merkezlenir ve yayılımı bir olur; bu, derin öğrenmede varsayılan yaklaşımdır.
x = (x - x.mean()) / x.std()Min-Maks Ölçeklendirme
Min-maks ölçeklendirme, en küçük değerinizi 0'a, en büyük değerinizi 1'e eşler. Piksel yoğunluklarında olduğu gibi sınırlı bir girdi aralığının önemli olduğu durumlarda kullanışlıdır.
x = (x - x.min()) / (x.max() - x.min())Yalnızca Eğitim Verileriyle Uydurun
Ortalama ve std değerlerini yalnızca eğitim kümesinden hesaplayın. Bu istatistikleri belirlemek için test verilerini yeniden kullanmak bilgi sızıntısına yol açar ve skorlarınızı yapay biçimde yükseltir.
Aynı İstatistikleri Yeniden Kullanın
Tam olarak eğitim verilerinden elde edilen istatistikleri doğrulama ve test verilerine uygulayın. Her iki bölüm de aynı şekilde dönüştürülmelidir; yoksa modeliniz uyumsuz girdiler görür.
x_val = (x_val - train_mean) / train_stdGörüntülerde Kanal Başına Uygulayın
Görüntülerde her renk kanalını kendi ortalaması ve std değeriyle normalleştirin. PyTorch, bunu bir işlem hattında tam olarak yapmak için transforms.Normalize işlevini sunar.
transforms.Normalize(mean=[0.5], std=[0.5])Bilinen ImageNet İstatistiklerini Kullanın
Önceden eğitilmiş görsel modeller kullanırken ImageNet üzerinde eğitildikleri ortalamalar ve std değerleriyle normalleştirme yapın. Bu sayıları eşleştirmek, girdilerin beklenen aralıkta kalmasını sağlar.
Bunu __getitem__ İçinde Yapın
Ölçeklendirme için en temiz yer veri kümenizin __getitem__ yöntemi veya bir dönüşümdür. Böylece her örnek, eğitim döngünüzde ek kod olmadan normalleştirilmiş olarak gelir.
Sıfıra Bölmeye Dikkat Edin
Bir özellik sabitse std değeri sıfır olur ve bölme işlemi taşmaya yol açar. Matematiği güvenli ve kararlı tutmak için paydaya küçük bir epsilon ekleyin.
x = (x - mean) / (std + 1e-8)Küçük Bir Adım, Büyük Kazanç
Girdileri normalleştirmek hızlı bir ön işleme alışkanlığıdır; yine de çoğu zaman daha hızlı ve daha kararlı bir eğitimin önünü açar. Bunu atlarsanız iyi bir model bile ağır ilerleyebilir.
Kısa Kontrol
Normalleştirme istatistiklerini hangi bölümden hesaplamalısınız?
Özet
Normalleştirme, eğitim kümesinden elde edilen ve her yerde yeniden kullanılan istatistiklerle, özellikleri eğitimin yakınsamasını sağlayacak şekilde yeniden ölçeklendirir; bu işlem çoğu zaman bir dönüşümün içinde yapılır. 🎉
Yapay zeka eğitmeniyle Python öğren — ücretsiz
Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.
- Kurslar
- 30
- Dersler
- 120
Sıkça Sorulan Sorular
“Girdileri Normalleştirme ve Standartlaştırma” dersi ücretsiz mi?
Evet — “Girdileri Normalleştirme ve Standartlaştırma” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Deep Learning Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Deep Learning Academy kursu toplamda 4 dersten oluşur.
“Girdileri Normalleştirme ve Standartlaştırma” dersinde ne öğreneceğim?
Eğitimin yakınsaması için özellikleri ölçeklendirin. Deep Learning Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Deep Learning Academy öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Deep Learning Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.
“Girdileri Normalleştirme ve Standartlaştırma” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Deep Learning Academy dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Deep Learning Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Özel Veri Kümesi Sınıfı Yazma
- Gruplama, Karıştırma ve num_workers
- Değişken Uzunluktaki Girdiler için collate_fn
- Girdileri Normalleştirme ve Standartlaştırma