Was sind Eingaben und Ausgaben?

Abgeschlossen

Ziel des Trainings ist es, ein Modell soweit zu verbessern, dass es qualitativ hochwertige Schätzungen oder Vorhersagen treffen kann. Nach dem Training können Sie ein Modell in der realen Welt wie eine normale Softwarelösung nutzen.

Modelle trainieren sich nicht selbst. Sie werden anhand von Daten und zwei Codebausteinen trainiert: der Zielfunktion und dem Optimierer. Im Folgenden erfahren Sie, wie diese Komponenten zusammenarbeiten, um ein Modell so zu trainieren, dass es gut funktioniert.

Das Ziel

Die Zielsetzung ist das, was Sie mit dem Modell erreichen möchten. In diesem Szenario besteht das Ziel beispielsweise darin, die Schuhgröße eines Hundes basierend auf seiner Geschirrgröße schätzen zu können.

Damit ein Computer unsere Zielsetzung verstehen kann, müssen wir das Ziel als Codeschnipsel bereitstellen, der als Zielfunktion (oder Kostenfunktion) bezeichnet wird. Zielfunktionen beurteilen, ob das Modell gut (richtiges Schätzen der Schuhgröße) oder schlecht (fehlerhaftes Schätzen der Schuhgröße) funktioniert. Zielfunktionen werden in späteren Lerneinheiten ausführlicher behandelt.

Die Daten

Der Begriff „Daten“ bezieht sich auf die Informationen, die dem Modell bereitgestellt werden (auch als Eingaben bezeichnet). In diesem Szenario ist dies die Geschirrgröße.

Außerdem sind Daten auch Informationen, die möglicherweise von der Zielfunktion benötigt werden. Wenn unsere Zielfunktion beispielsweise meldet, ob das Modell die Schuhgröße richtig erraten hat, muss sie die richtige Schuhgröße zunächst kennen! Aus diesem Grund haben wir in der vorherigen Übung sowohl die Geschirrgrößen als auch die richtigen Antworten für den Trainingscode bereitgestellt.

In der nächsten Übung wird das Arbeiten mit Daten behandelt.

Der Optimierer

Während des Trainings macht das Modell eine Vorhersage, und die Zielfunktion berechnet, wie gut das Ergebnis ist. Der Optimierer ist Code, der dann die Parameter des Modells ändert, damit es beim nächsten Mal ein besseres Ergebnis liefert.

Wie der Optimierer die Parameter anpasst, ist komplex und wird in späteren Lerneinheiten behandelt. Lassen Sie sich jedoch nicht einschüchtern: In der Regel schreiben Sie den Optimierer nicht selbst, sondern verwenden Open-Source-Frameworks, in denen die harte Arbeit bereits für Sie erledigt wurde.

Beachten Sie jedoch, dass das Ziel, die Daten und der Optimierer zum Trainieren des Modells erforderlich sind. Nach Abschluss des Trainings werden sie nicht mehr benötigt. Zu beachten ist außerdem, dass beim Training nur die Parameterwerte innerhalb eines Modells geändert werden, der verwendete Modelltyp wird nicht geändert.