मॉडल प्रदर्शन सुधारें

PyTorch के साथ Deep Learning परिचय

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

अधिकतम प्रदर्शन के चरण

$$

  • क्या हम समस्या हल कर सकते हैं?

  • एक प्रदर्शन बेसलाइन सेट करें

$$

  • वैलिडेशन सेट पर प्रदर्शन बढ़ाएँ

$$ $$

  • सर्वोत्तम संभव प्रदर्शन पाएँ

चरण 1

चरण 2

चरण 3

PyTorch के साथ Deep Learning परिचय

चरण 1: ट्रेनिंग सेट को ओवरफिट करें

  • ट्रेनिंग लूप बदलकर एक ही डेटा पॉइंट पर ओवरफिट कराएँ

    features, labels = next(iter(dataloader))
for i in range(1000):
  outputs = model(features)
  loss = criterion(outputs, labels)
  optimizer.zero_grad()
  loss.backward()
  optimizer.step()
    • 1.0 एक्युरेसी और 0 लॉस तक पहुँचना चाहिए

  • फिर पूरे ट्रेनिंग सेट पर स्केल करें

    • डिफ़ॉल्ट हाइपरपैरामीटर रखें
PyTorch के साथ Deep Learning परिचय

चरण 2: ओवरफिटिंग घटाएँ

  • लक्ष्य: वैलिडेशन एक्युरेसी अधिकतम करें

  • इन पर प्रयोग करें:

    • Dropout
    • Data augmentation
    • Weight decay
    • मॉडल क्षमता घटाना

$$

  • हर हाइपरपैरामीटर और वैलिडेशन एक्युरेसी ट्रैक करें

ओवरफिटिंग

PyTorch के साथ Deep Learning परिचय

चरण 2: ओवरफिटिंग घटाएँ

$$

मूल मॉडल ट्रेनिंग डेटा पर ओवरफिट हो रहा है original performances

$$

अपडेटेड मॉडल में रेगुलराइज़ेशन बहुत ज़्यादा है too much regularization

PyTorch के साथ Deep Learning परिचय

चरण 3: हाइपरपैरामीटर फाइन-ट्यून करें

  • ग्रिड सर्च
for factor in range(2, 6):
    lr = 10 ** -factor

ग्रिड सर्च

  • रैंडम सर्च
factor = np.random.uniform(2, 6)
lr = 10 ** -factor

रैंडम सर्च

PyTorch के साथ Deep Learning परिचय

अभ्यास करते हैं!

PyTorch के साथ Deep Learning परिचय

Preparing Video For Download...