O que são entradas e saídas?
O objetivo do treinamento é melhorar um modelo para que ele possa fazer estimativas ou previsões de alta qualidade. Uma vez treinado, você pode usar um modelo no mundo real como um software normal.
Os modelos não treinam sozinhos. Eles são treinados usando dados mais duas partes de código, a função objetiva e o otimizador. Vamos explorar como esses componentes funcionam juntos para treinar um modelo a funcionar bem.
O objetivo
O objetivo é o que queremos que o modelo seja capaz de fazer. Por exemplo, o objetivo do nosso cenário é ser capaz de estimar o tamanho da bota de um cão com base no tamanho do seu arnês.
Para que um computador compreenda nosso objetivo, precisamos fornecer nossa meta como um trecho de código chamado função objetiva (também conhecida como função de custo). As funções objetivas julgam se o modelo está fazendo um bom trabalho (estimando bem o tamanho da inicialização) ou um trabalho ruim (estimando mal o tamanho da inicialização). Abordamos funções objetivas com mais profundidade em material de aprendizagem posterior.
Os dados
Os dados referem-se às informações que fornecemos ao modelo (também conhecidas como entradas). Em nosso cenário, a entrada é o tamanho do arnês.
Os dados também se referem a informações que a função objetiva pode precisar. Por exemplo, se nossa função objetiva informa se o modelo adivinhou o tamanho da inicialização corretamente, ele precisa saber o tamanho de inicialização correto! Por esta razão, no nosso exercício anterior, fornecemos os tamanhos dos arnês e as respostas corretas ao código de treino.
Vamos praticar o trabalho com dados no próximo exercício.
O otimizador
Durante o treinamento, o modelo faz uma previsão, e a função objetiva calcula o quão bem ele desempenhou. O otimizador é um código que altera os parâmetros do modelo para que o modelo faça um trabalho melhor da próxima vez.
Como um otimizador ajusta os parâmetros é complexo, e algo que abordamos em material posterior. Mas não se deixe intimidar; Nós normalmente não escrevemos nossos próprios otimizadores, usamos estruturas de código aberto onde o trabalho duro foi feito para nós.
É importante ter em mente que o objetivo, os dados e o otimizador são simplesmente um meio de treinar o modelo. Eles não são necessários quando o treinamento é concluído. Também é importante lembrar que o treinamento apenas altera os valores dos parâmetros dentro de um modelo; não altera o tipo de modelo utilizado.