Нейросеть можно представить как последовательность математических операций над данными. В учебном примере PyTorch классифицируются изображения одежды: значения изображения проходят через слои, которые выдают оценки возможных классов. Это конкретная вычислительная задача, а не демонстрация человеческого понимания.
Некоторые слои содержат настраиваемые веса и смещения. Линейные преобразования сочетаются с нелинейными операциями, позволяя представить более сложные связи между входом и выходом, чем цепочка только линейных преобразований. Выбор и расположение слоёв образуют архитектуру модели.
Обучение начинается со сравнения предсказания с целевым результатом для примера. Функция потерь измеряет различие в соответствии с выбранной целью. Обратное распространение вычисляет градиенты потерь по параметрам, а оптимизатор использует их для обновления параметров.
Процесс повторяется на обучающих данных. Такие настройки, как скорость обучения, влияют на обновления. Уменьшение потерь при обучении полезно, но не заменяет всю оценку: в руководстве предсказания также проверяются на отдельном тестовом наборе.
Важно различать проектирование вычислений, подбор параметров и оценку результатов. Пример не доказывает надёжность любой нейросети для любого применения. Описание модели должно указывать задачу, данные и способ оценки, а не полагаться на слово «интеллектуальная».
Источники: PyTorch: Build the Neural Network; PyTorch: Optimizing Model Parameters.




Обсуждение