Buckets:

|
download
raw
30.6 kB
# درک منحنی‌های یادگیری[[understanding-learning-curves]]
<CourseFloatingBanner chapter={3}
classNames="absolute z-10 right-0 top-0"
notebooks={[
{label: "Google Colab", value: "https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/en/chapter3/section7.ipynb"},
{label: "Aws Studio", value: "https://studiolab.sagemaker.aws/import/github/huggingface/notebooks/blob/master/course/en/chapter3/section7.ipynb"},
]} />
حالا که یاد گرفته‌اید با استفاده از API `Trainer` و حلقه‌های تعلیم سفارشی، مدل را کوک کنید، درک نحوه‌ی تفسیر نتایج اهمیت زیادی دارد. منحنی‌های یادگیری ابزارهای ارزشمندی هستند که به شما کمک می‌کنند عملکرد مدل را هنگام تعلیم ارزیابی کنید و پیش از آنکه مشکلات عملکرد را کاهش دهند، آن‌ها را شناسایی کنید.
در این بخش بررسی می‌کنیم چگونه منحنی‌های دقت و هزینه را بخوانیم و تفسیر کنیم، شکل‌های مختلف منحنی‌ها درباره‌ی رفتار مدل چه می‌گویند و چگونه مشکلات رایج تعلیم را برطرف کنیم.
## منحنی‌های یادگیری چیستند؟[[what-are-learning-curves]]
منحنی‌های یادگیری نمایش‌های بصری معیارهای عملکرد مدل شما در طول زمان و هنگام تعلیم هستند. دو منحنی مهمی که باید پایش شوند عبارت‌اند از:
- **منحنی‌های هزینه**: نشان می‌دهند خطای مدل (هزینه) در طول گام‌ها یا دوره‌های تعلیم چگونه تغییر می‌کند
- **منحنی‌های دقت**: درصد پیش‌بینی‌های درست را در طول گام‌ها یا دوره‌های تعلیم نشان می‌دهند
این منحنی‌ها به ما کمک می‌کنند بفهمیم آیا مدل به‌طور مؤثر یاد می‌گیرد یا نه و می‌توانند برای ایجاد تغییرات و بهبود عملکرد راهنمای ما باشند. در ترنسفورمرها، این معیارها برای هر بتچ به‌صورت جداگانه محاسبه و سپس روی دیسک ثبت می‌شوند. پس از آن می‌توانیم از کتابخانه‌هایی مانند [Weights & Biases](https://wandb.ai/) برای نمایش این منحنی‌ها و دنبال کردن عملکرد مدل در طول زمان استفاده کنیم.
### منحنی‌های هزینه[[loss-curves]]
منحنی هزینه نشان می‌دهد خطای مدل در طول زمان چگونه کاهش می‌یابد. در یک اجرای تعلیم موفق معمولاً منحنی‌ای مشابه نمونه‌ی زیر می‌بینید:
![منحنی هزینه](https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter3/1.png)
- **هزینه‌ی اولیه‌ی زیاد**: مدل بدون بهینه‌سازی شروع می‌کند، بنابراین پیش‌بینی‌های اولیه ضعیف هستند
- **کاهش هزینه**: با پیشرفت تعلیم، هزینه معمولاً باید کاهش یابد
- **همگرایی**: در نهایت هزینه روی مقداری کم ثابت می‌شود و نشان می‌دهد مدل الگوهای موجود در داده‌ها را یاد گرفته است
مانند فصل‌های قبل، می‌توانیم از API `Trainer` برای دنبال کردن این معیارها و نمایش آن‌ها در یک داشبورد استفاده کنیم. در نمونه‌ی زیر نحوه‌ی انجام این کار با Weights & Biases را می‌بینید.
```python
# Example of tracking loss during training with the Trainer
from transformers import Trainer, TrainingArguments
import wandb
# Initialize Weights & Biases for experiment tracking
wandb.init(project="transformer-fine-tuning", name="bert-mrpc-analysis")
training_args = TrainingArguments(
output_dir="./results",
eval_strategy="steps",
eval_steps=50,
save_steps=100,
logging_steps=10, # Log metrics every 10 steps
num_train_epochs=3,
per_device_train_batch_size=16,
per_device_eval_batch_size=16,
report_to="wandb", # Send logs to Weights & Biases
)
trainer = Trainer(
model=model,
args=training_args,
train_dataset=tokenized_datasets["train"],
eval_dataset=tokenized_datasets["validation"],
data_collator=data_collator,
processing_class=tokenizer,
compute_metrics=compute_metrics,
)
# Train and automatically log metrics
trainer.train()
```
### منحنی‌های دقت[[accuracy-curves]]
منحنی دقت درصد پیش‌بینی‌های درست را در طول زمان نشان می‌دهد. برخلاف منحنی‌های هزینه، منحنی‌های دقت معمولاً با یادگیری مدل افزایش می‌یابند و معمولاً می‌توانند گام‌های بیشتری از منحنی هزینه داشته باشند.
![منحنی دقت](https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter3/2.png)
- **شروع کم**: دقت اولیه باید کم باشد، چون مدل هنوز الگوهای موجود در داده‌ها را یاد نگرفته است
- **افزایش با تعلیم**: اگر مدل بتواند الگوهای داده‌ها را یاد بگیرد، دقت معمولاً با یادگیری مدل بهتر می‌شود
- **امکان وجود سکون**: دقت اغلب به‌صورت جهش‌های گسسته افزایش می‌یابد، نه به‌صورت هموار؛ چون پیش‌بینی‌های مدل به برچسب‌های واقعی نزدیک هستند
> [!TIP]
> 💡 **چرا منحنی‌های دقت «پله‌ای» هستند؟** برخلاف هزینه که پیوسته است، دقت با مقایسه‌ی پیش‌بینی‌های گسسته با برچسب‌های واقعی محاسبه می‌شود. بهبودهای کوچک در اطمینان مدل ممکن است پیش‌بینی نهایی را تغییر ندهند؛ بنابراین دقت تا عبور از یک آستانه ثابت می‌ماند.
### همگرایی[[convergence]]
همگرایی زمانی رخ می‌دهد که عملکرد مدل ثابت شود و منحنی‌های هزینه و دقت به سطحی تقریباً افقی برسند. این نشانه‌ای است که مدل الگوهای موجود در داده‌ها را یاد گرفته و آماده‌ی استفاده است. به زبان ساده، هدف ما این است که مدل هر بار که تعلیم می‌بیند به عملکردی پایدار همگرا شود.
![همگرایی](https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter3/4.png)
پس از همگرایی مدل‌ها، می‌توانیم از آن‌ها برای پیش‌بینی روی داده‌های جدید استفاده کنیم و با مراجعه به معیارهای ارزیابی بفهمیم مدل تا چه اندازه خوب عمل می‌کند.
## تفسیر الگوهای منحنی یادگیری[[interpreting-learning-curve-patterns]]
شکل‌های مختلف منحنی جنبه‌های متفاوتی از تعلیم مدل را آشکار می‌کنند. بیایید رایج‌ترین الگوها و معنای آن‌ها را بررسی کنیم.
### منحنی‌های یادگیری سالم[[healthy-learning-curves]]
یک اجرای تعلیم با رفتار مناسب معمولاً منحنی‌هایی مشابه نمونه‌ی زیر نشان می‌دهد:
![منحنی هزینه‌ی سالم](https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter3/5.png)
بیایید به تصویر بالا نگاه کنیم. در سمت چپ منحنی هزینه و در سمت راست منحنی دقت متناظر نمایش داده شده است. این منحنی‌ها ویژگی‌های متمایزی دارند.
منحنی هزینه مقدار هزینه‌ی مدل را در طول زمان نشان می‌دهد. در ابتدا هزینه زیاد است و سپس به‌تدریج کاهش می‌یابد که نشان می‌دهد مدل در حال بهتر شدن است. کاهش مقدار هزینه نشان می‌دهد مدل پیش‌بینی‌های بهتری انجام می‌دهد، چون هزینه خطای میان خروجی پیش‌بینی‌شده و خروجی واقعی را نشان می‌دهد.
حالا تمرکز خود را به منحنی دقت منتقل کنیم. این منحنی دقت مدل را در طول زمان نشان می‌دهد. منحنی دقت از مقدار کمی شروع می‌شود و با پیشرفت تعلیم افزایش می‌یابد. دقت، نسبت نمونه‌هایی را که درست دسته‌بندی شده‌اند اندازه می‌گیرد. بنابراین افزایش منحنی دقت نشان می‌دهد مدل پیش‌بینی‌های درست بیشتری انجام می‌دهد.
یکی از تفاوت‌های قابل‌توجه میان این منحنی‌ها، همواری و وجود «سکون» در منحنی دقت است. در حالی که هزینه به‌صورت هموار کاهش می‌یابد، سکون‌های منحنی دقت نشان‌دهنده‌ی جهش‌های گسسته در دقت هستند، نه افزایش پیوسته. این رفتار به نحوه‌ی اندازه‌گیری دقت مربوط است. اگر خروجی مدل به هدف نزدیک‌تر شود، هزینه می‌تواند بهتر شود، حتی اگر پیش‌بینی نهایی همچنان نادرست باشد. اما دقت فقط زمانی بهتر می‌شود که پیش‌بینی از آستانه عبور کند و درست شود.
برای مثال، در یک دسته‌بندی‌کننده‌ی دودویی که گربه‌ها (۰) را از سگ‌ها (۱) متمایز می‌کند، اگر مدل برای تصویر یک سگ (با مقدار واقعی ۱) مقدار ۰٫۳ را پیش‌بینی کند، این مقدار به ۰ گرد می‌شود و دسته‌بندی نادرستی است. اگر در گام بعد مقدار ۰٫۴ را پیش‌بینی کند، باز هم نادرست است. هزینه کاهش می‌یابد، چون ۰٫۴ از ۰٫۳ به ۱ نزدیک‌تر است، اما دقت تغییر نمی‌کند و یک سکون ایجاد می‌شود. دقت فقط زمانی جهش می‌کند که مدل مقداری بزرگ‌تر از ۰٫۵ پیش‌بینی کند که به ۱ گرد شود.
> [!TIP]
> **ویژگی‌های منحنی‌های سالم:**
> - **کاهش هموار هزینه**: هزینه‌ی تعلیم و اعتبارسنجی هر دو به‌طور پیوسته کاهش می‌یابند
> - **عملکرد نزدیک تعلیم و اعتبارسنجی**: فاصله‌ی میان معیارهای تعلیم و اعتبارسنجی کم است
> - **همگرایی**: منحنی‌ها به سطحی ثابت می‌رسند و نشان می‌دهند مدل الگوها را یاد گرفته است
### نمونه‌های عملی[[practical-examples]]
بیایید چند نمونه‌ی عملی از منحنی‌های یادگیری را بررسی کنیم. ابتدا چند روش برای پایش منحنی‌های یادگیری هنگام تعلیم معرفی می‌کنیم. سپس الگوهای مختلفی را که ممکن است در منحنی‌های یادگیری دیده شوند، بررسی خواهیم کرد.
#### هنگام تعلیم[[during-training]]
در فرایند تعلیم (پس از اجرای `trainer.train()`)، می‌توانید این شاخص‌های کلیدی را پایش کنید:
1. **همگرایی هزینه**: آیا هزینه همچنان در حال کاهش است یا ثابت شده است؟
2. **نشانه‌های بیش‌برازش**: آیا هزینه‌ی اعتبارسنجی در حالی که هزینه‌ی تعلیم کاهش می‌یابد، شروع به افزایش کرده است؟
3. **نرخ یادگیری**: آیا منحنی‌ها بیش‌ازحد نوسانی هستند (نرخ یادگیری خیلی زیاد) یا بیش‌ازحد تخت هستند (نرخ یادگیری خیلی کم)؟
4. **پایداری**: آیا جهش یا افت ناگهانی‌ای وجود دارد که نشان‌دهنده‌ی مشکل باشد؟
#### پس از تعلیم[[after-training]]
پس از پایان فرایند تعلیم، می‌توانید منحنی‌های کامل را تحلیل کنید تا عملکرد مدل را بفهمید.
1. **عملکرد نهایی**: آیا مدل به سطوح قابل‌قبولی از عملکرد رسیده است؟
2. **کارایی**: آیا می‌شد با دوره‌های کمتر به همان عملکرد رسید؟
3. **تعمیم‌پذیری**: عملکرد تعلیم و اعتبارسنجی چقدر به هم نزدیک هستند؟
4. **روندها**: آیا تعلیم بیشتر احتمالاً عملکرد را بهتر می‌کند؟
> [!TIP]
> 🔍 **قابلیت‌های داشبورد W&B**: Weights & Biases به‌صورت خودکار نمودارهای زیبا و تعاملی از منحنی‌های یادگیری ایجاد می‌کند. شما می‌توانید:
> - چند اجرای مختلف را کنار هم مقایسه کنید
> - معیارها و نمایش‌های بصری سفارشی اضافه کنید
> - برای رفتار غیرعادی هشدار تنظیم کنید
> - نتایج را با تیم خود به اشتراک بگذارید
>
> در [مستندات Weights & Biases](https://docs.wandb.ai/) بیشتر بیاموزید.
#### بیش‌برازش[[overfitting]]
بیش‌برازش زمانی رخ می‌دهد که مدل بیش‌ازحد از داده‌های تعلیم یاد می‌گیرد و نمی‌تواند به داده‌های متفاوت تعمیم دهد (که با مجموعه‌ی اعتبارسنجی نمایش داده می‌شوند).
![بیش‌برازش](https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter3/10.png)
**نشانه‌ها:**
- هزینه‌ی تعلیم همچنان کاهش می‌یابد، در حالی که هزینه‌ی اعتبارسنجی افزایش می‌یابد یا ثابت می‌ماند
- فاصله‌ی زیاد میان دقت تعلیم و اعتبارسنجی
- دقت تعلیم بسیار بیشتر از دقت اعتبارسنجی است
**راه‌حل‌های بیش‌برازش:**
- **منظم‌سازی**: dropout، کاهش وزن یا تکنیک‌های دیگر منظم‌سازی را اضافه کنید
- **توقف زودهنگام**: وقتی عملکرد اعتبارسنجی دیگر بهتر نمی‌شود، تعلیم را متوقف کنید
- **افزایش داده**: تنوع داده‌های تعلیم را افزایش دهید
- **کاهش پیچیدگی مدل**: از مدل کوچک‌تر یا پارامترهای کمتری استفاده کنید
در نمونه‌ی زیر برای جلوگیری از بیش‌برازش از توقف زودهنگام استفاده می‌کنیم. `early_stopping_patience` را روی ۳ تنظیم می‌کنیم؛ یعنی اگر هزینه‌ی اعتبارسنجی برای ۳ دوره‌ی متوالی بهتر نشود، تعلیم متوقف خواهد شد.
```python
# Example of detecting overfitting with early stopping
from transformers import EarlyStoppingCallback
training_args = TrainingArguments(
output_dir="./results",
eval_strategy="steps",
eval_steps=100,
save_strategy="steps",
save_steps=100,
load_best_model_at_end=True,
metric_for_best_model="eval_loss",
greater_is_better=False,
num_train_epochs=10, # Set high, but we'll stop early
)
# Add early stopping to prevent overfitting
trainer = Trainer(
model=model,
args=training_args,
train_dataset=tokenized_datasets["train"],
eval_dataset=tokenized_datasets["validation"],
data_collator=data_collator,
processing_class=tokenizer,
compute_metrics=compute_metrics,
callbacks=[EarlyStoppingCallback(early_stopping_patience=3)],
)
```
#### ۲. کم‌برازش[[underfitting]]
کم‌برازش زمانی رخ می‌دهد که مدل برای ثبت الگوهای زیربنایی داده‌ها بیش‌ازحد ساده باشد. این اتفاق می‌تواند به چند دلیل رخ دهد:
- مدل بیش‌ازحد کوچک است یا ظرفیت لازم برای یادگیری الگوها را ندارد
- نرخ یادگیری بیش‌ازحد کم است و باعث یادگیری آهسته می‌شود
- دیتاست بیش‌ازحد کوچک است یا نماینده‌ی مسئله نیست
- مدل به‌درستی منظم‌سازی نشده است
![کم‌برازش](https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter3/7.png)
**نشانه‌ها:**
- هزینه‌ی تعلیم و اعتبارسنجی هر دو زیاد باقی می‌مانند
- عملکرد مدل در ابتدای تعلیم ثابت می‌شود
- دقت تعلیم کمتر از مقدار مورد انتظار است
**راه‌حل‌های کم‌برازش:**
- **افزایش ظرفیت مدل**: از مدل بزرگ‌تر یا پارامترهای بیشتری استفاده کنید
- **تعلیم طولانی‌تر**: تعداد دوره‌ها را افزایش دهید
- **تنظیم نرخ یادگیری**: نرخ‌های یادگیری متفاوتی را امتحان کنید
- **بررسی کیفیت داده**: مطمئن شوید داده‌ها به‌درستی پیش‌پردازش شده‌اند
در نمونه‌ی زیر برای آنکه ببینیم آیا مدل می‌تواند الگوهای داده‌ها را یاد بگیرد، آن را برای دوره‌های بیشتری تعلیم می‌دهیم.
```python
from transformers import TrainingArguments
training_args = TrainingArguments(
output_dir="./results",
-num_train_epochs=5,
+num_train_epochs=10,
)
```
#### ۳. منحنی‌های یادگیری نوسانی[[erratic-learning-curves]]
منحنی‌های یادگیری نوسانی زمانی رخ می‌دهند که مدل به‌طور مؤثر یاد نمی‌گیرد. این اتفاق می‌تواند به چند دلیل رخ دهد:
- نرخ یادگیری بیش‌ازحد زیاد است و باعث می‌شود مدل از پارامترهای بهینه عبور کند
- اندازه‌ی بتچ بیش‌ازحد کوچک است و باعث یادگیری آهسته‌ی مدل می‌شود
- مدل به‌درستی منظم‌سازی نشده است و روی داده‌های تعلیم بیش‌برازش می‌کند
- دیتاست به‌درستی پیش‌پردازش نشده است و باعث می‌شود مدل از نویز یاد بگیرد
![منحنی‌های یادگیری نوسانی](https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter3/3.png)
**نشانه‌ها:**
- نوسان‌های مکرر در هزینه یا دقت
- واریانس زیاد یا ناپایداری در منحنی‌ها
- نوسان عملکرد بدون روند مشخص
هر دو منحنی تعلیم و اعتبارسنجی رفتار نوسانی نشان می‌دهند.
![منحنی‌های یادگیری نوسانی](https://huggingface.co/datasets/huggingface-course/documentation-images/resolve/main/en/chapter3/9.png)
**راه‌حل‌های منحنی‌های نوسانی:**
- **کاهش نرخ یادگیری**: اندازه‌ی گام را برای تعلیم پایدارتر کاهش دهید
- **افزایش اندازه‌ی بتچ**: بتچ‌های بزرگ‌تر گرادیان‌های پایدارتر ایجاد می‌کنند
- **بُرش گرادیان**: از انفجار گرادیان‌ها جلوگیری کنید
- **پیش‌پردازش بهتر داده**: از کیفیت یکسان داده‌ها مطمئن شوید
در نمونه‌ی زیر نرخ یادگیری را کاهش می‌دهیم و اندازه‌ی بتچ را افزایش می‌دهیم.
```python
from transformers import TrainingArguments
training_args = TrainingArguments(
output_dir="./results",
-learning_rate=1e-5,
+learning_rate=1e-4,
-per_device_train_batch_size=16,
+per_device_train_batch_size=32,
)
```
## نکات کلیدی[[key-takeaways]]
درک منحنی‌های یادگیری برای تبدیل شدن به یک متخصص کارآمد یادگیری ماشین ضروری است. این ابزارهای بصری بازخوردی فوری درباره‌ی پیشرفت تعلیم مدل ارائه می‌دهند و کمک می‌کنند درباره‌ی زمان توقف تعلیم، تنظیم ابرپارامترها یا امتحان کردن رویکردهای متفاوت تصمیم‌های آگاهانه بگیرید. با تمرین، درک شهودی‌ای از شکل منحنی‌های یادگیری سالم پیدا می‌کنید و یاد می‌گیرید هنگام بروز مشکل چگونه آن را برطرف کنید.
> [!TIP]
> 💡 **نکات کلیدی:**
> - منحنی‌های یادگیری ابزارهایی ضروری برای درک پیشرفت تعلیم مدل هستند
> - هم منحنی‌های هزینه و هم دقت را پایش کنید، اما به یاد داشته باشید ویژگی‌های متفاوتی دارند
> - بیش‌برازش به‌صورت واگرایی عملکرد تعلیم و اعتبارسنجی دیده می‌شود
> - کم‌برازش به‌صورت عملکرد ضعیف روی داده‌های تعلیم و اعتبارسنجی دیده می‌شود
> - ابزارهایی مانند Weights & Biases دنبال کردن و تحلیل منحنی‌های یادگیری را آسان می‌کنند
> - توقف زودهنگام و منظم‌سازی درست می‌توانند بیشتر مشکلات رایج تعلیم را برطرف کنند
>
> 🔬 **گام‌های بعدی**: تحلیل منحنی‌های یادگیری را روی آزمایش‌های کوک کردن خود تمرین کنید. ابرپارامترهای مختلف را امتحان کنید و ببینید چگونه بر شکل منحنی‌ها اثر می‌گذارند. این تجربه‌ی عملی بهترین راه برای ایجاد درک شهودی از پیشرفت تعلیم است.
## آزمون بخش[[section-quiz]]
درک خود را از منحنی‌های یادگیری و تحلیل تعلیم بیازمایید:
### ۱. وقتی هزینه‌ی تعلیم کاهش می‌یابد اما هزینه‌ی اعتبارسنجی شروع به افزایش می‌کند، معمولاً چه معنایی دارد؟
<Question
choices={[
{
text: "مدل با موفقیت در حال یادگیری است و همچنان بهتر خواهد شد.",
explain: "اگر هزینه‌ی اعتبارسنجی در حالی که هزینه‌ی تعلیم کاهش می‌یابد افزایش پیدا کند، این نشانه‌ی مشکل است، نه موفقیت."
},
{
text: "مدل روی داده‌های تعلیم بیش‌برازش کرده است.",
explain: "درست است! این الگوی کلاسیک بیش‌برازش است: مدل روی داده‌های تعلیم عملکرد خوبی دارد، اما روی داده‌های اعتبارسنجیِ ندیده ضعیف عمل می‌کند.",
correct: true
},
{
text: "نرخ یادگیری بیش‌ازحد کم است.",
explain: "نرخ یادگیری کم باعث یادگیری آهسته می‌شود، نه واگرایی میان عملکرد تعلیم و اعتبارسنجی."
},
{
text: "دیتاست بیش‌ازحد کوچک است.",
explain: "اگرچه دیتاست‌های کوچک می‌توانند به بیش‌برازش کمک کنند، این الگوی مشخص، صرف‌نظر از اندازه‌ی دیتاست، تعریف بیش‌برازش است."
}
]}
/>
### ۲. چرا منحنی‌های دقت اغلب به‌جای افزایش هموار، الگویی «پله‌ای» یا شبیه سکون نشان می‌دهند؟
<Question
choices={[
{
text: "در محاسبه‌ی دقت خطایی وجود دارد.",
explain: "الگوی پله‌ای طبیعی و مورد انتظار است و خطا محسوب نمی‌شود."
},
{
text: "دقت معیاری گسسته است که فقط هنگام عبور پیش‌بینی‌ها از مرزهای تصمیم تغییر می‌کند.",
explain: "درست است! برخلاف هزینه، دقت به تصمیم‌های گسسته‌ی پیش‌بینی وابسته است؛ بنابراین بهبودهای کوچک در اطمینان ممکن است دقت نهایی را تغییر ندهند تا زمانی که از یک آستانه عبور شود.",
correct: true
},
{
text: "مدل به‌طور مؤثر یاد نمی‌گیرد.",
explain: "منحنی‌های دقت پله‌ای حتی وقتی مدل به‌خوبی یاد می‌گیرد نیز طبیعی هستند."
},
{
text: "اندازه‌ی بتچ بیش‌ازحد کوچک است.",
explain: "اندازه‌ی بتچ بر پایداری تعلیم اثر می‌گذارد، اما ماهیت ذاتاً گسسته‌ی معیارهای دقت را توضیح نمی‌دهد."
}
]}
/>
### ۳. وقتی منحنی‌های یادگیری نوسانی و بسیار متغیر می‌بینید، بهترین رویکرد چیست؟
<Question
choices={[
{
text: "نرخ یادگیری را افزایش دهید تا همگرایی سریع‌تر شود.",
explain: "افزایش نرخ یادگیری احتمالاً نوسان‌ها را بدتر می‌کند."
},
{
text: "نرخ یادگیری را کاهش دهید و احتمالاً اندازه‌ی بتچ را افزایش دهید.",
explain: "درست است! نرخ‌های یادگیری کمتر و اندازه‌ی بتچ‌های بزرگ‌تر معمولاً به تعلیم پایدارتر می‌انجامند.",
correct: true
},
{
text: "تعلیم را فوراً متوقف کنید، چون مدل بهتر نخواهد شد.",
explain: "منحنی‌های نوسانی اغلب با تنظیم ابرپارامترها قابل‌اصلاح هستند."
},
{
text: "به معماری کاملاً متفاوتی از مدل تغییر دهید.",
explain: "این کار زودهنگام است؛ منحنی‌های نوسانی معمولاً با تنظیم ابرپارامترها قابل‌اصلاح هستند."
}
]}
/>
### ۴. چه زمانی باید استفاده از توقف زودهنگام را در نظر بگیرید؟
<Question
choices={[
{
text: "همیشه، چون از هر نوع بیش‌برازش جلوگیری می‌کند.",
explain: "توقف زودهنگام مفید است، اما همیشه ضروری نیست؛ به‌خصوص اگر روش‌های دیگر منظم‌سازی به‌خوبی کار کنند."
},
{
text: "وقتی عملکرد اعتبارسنجی دیگر بهتر نمی‌شود یا شروع به افت می‌کند.",
explain: "درست است! توقف زودهنگام با متوقف کردن تعلیم زمانی که مدل دیگر بهتر تعمیم نمی‌یابد، به جلوگیری از بیش‌برازش کمک می‌کند.",
correct: true
},
{
text: "فقط وقتی هزینه‌ی تعلیم همچنان به‌سرعت کاهش می‌یابد.",
explain: "اگر هزینه‌ی تعلیم به‌سرعت کاهش یابد و عملکرد اعتبارسنجی خوب باشد، ممکن است بخواهید تعلیم را ادامه دهید."
},
{
text: "هرگز، چون مانع رسیدن مدل به تمام ظرفیتش می‌شود.",
explain: "توقف زودهنگام تکنیک ارزشمندی است که اغلب با جلوگیری از بیش‌برازش، عملکرد نهایی مدل را بهتر می‌کند."
}
]}
/>
### ۵. چه چیزی نشان می‌دهد مدل شما ممکن است کم‌برازش باشد؟
<Question
choices={[
{
text: "دقت تعلیم بسیار بیشتر از دقت اعتبارسنجی است.",
explain: "این وضعیت بیش‌برازش را توصیف می‌کند، نه کم‌برازش را."
},
{
text: "عملکرد تعلیم و اعتبارسنجی هر دو ضعیف هستند و در ابتدای کار ثابت می‌شوند.",
explain: "درست است! کم‌برازش زمانی رخ می‌دهد که مدل ظرفیت لازم برای یادگیری الگوها را نداشته باشد و در نتیجه روی داده‌های تعلیم و اعتبارسنجی هر دو ضعیف عمل کند.",
correct: true
},
{
text: "منحنی‌های یادگیری بسیار هموار و بدون نوسان هستند.",
explain: "منحنی‌های هموار معمولاً خوب هستند و نشانه‌ی کم‌برازش نیستند."
},
{
text: "هزینه‌ی اعتبارسنجی سریع‌تر از هزینه‌ی تعلیم کاهش می‌یابد.",
explain: "این در واقع نشانه‌ای مثبت است، نه یک مشکل."
}
]}
/>

Xet Storage Details

Size:
30.6 kB
·
Xet hash:
5d2278bd6956bbd2fdbb7f7b383b0d1d72e1b3021892e39f448a748f9a87afee

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.