Co jsou vstupy a výstupy?
Cílem trénování je vylepšit model, aby mohl provádět vysoce kvalitní odhady nebo předpovědi. Po vytrénování můžete použít model v reálném světě, jako je normální software.
Modely se nevytrénují. Trénují se pomocí dat a dvou částí kódu, funkce cíle a optimalizátoru. Pojďme se podívat, jak tyto komponenty spolupracují a natrénují model tak, aby dobře fungovaly.
Cíl
Cílem je to, co chceme, aby model mohl dělat. Cílem našeho scénáře je například schopnost odhadnout velikost boty psa na základě velikosti jejich svazku.
Aby počítač porozuměl našemu cíli, musíme poskytnout náš cíl jako fragment kódu označovaný jako cílová funkce (označovaná také jako nákladová funkce). Objektivní funkce soudí, jestli model provádí dobrou úlohu (odhad velikosti spouštění dobře) nebo špatnou úlohu (odhad velikosti spouštění špatně). Objektivní funkce probereme podrobněji v pozdějších výukových materiálech.
Data
Data odkazují na informace, které poskytujeme modelu (označované také jako vstupy). V našem scénáři je vstup velikostí.
Data také odkazují na informace, které může cílová funkce potřebovat. Pokud například naše cílová funkce hlásí, jestli model správně odhadl velikost spouštění, musí znát správnou velikost spouštění. Z tohoto důvodu jsme v našem předchozím cvičení poskytli jak velikosti, tak správné odpovědi na trénovací kód.
V dalším cvičení si procvičíme práci s daty.
Optimalizátor
Během trénování model vytvoří predikci a cílová funkce vypočítá, jak dobře funguje. Optimalizátor je kód, který pak změní parametry modelu, aby model příště udělal lepší úlohu.
Jak optimalizátor upravuje parametry je složitý a něco, co probereme v pozdějších materiálech. Ale nebužte zastrašováni. Obvykle nepíšeme naše vlastní optimalizátory, používáme opensourcové architektury, ve kterých jsme tvrdě pracovali.
Je důležité mít na paměti, že cílem, datem a optimalizátorem je jednoduše prostředek pro trénování modelu. Po dokončení trénování nejsou potřeba. Je také důležité si uvědomit, že trénování mění pouze hodnoty parametrů uvnitř modelu; nemění, jaký typ modelu se používá.