A kötegnormalizálás mély neurális hálózatok tanítására szolgáló technika, amely egy réteg köztes értékeit minden adatköteg esetében egységes átlagra és szórásra skálázza át. Ez stabilabbá és gyakran gyorsabbá teszi a tanítást, és a hálózat kevésbé lesz érzékeny a kezdőértékeire. A 2015-ben bevezetett módszer a képfelismerő hálózatokban elterjedt; a transzformerek általában a rokon rétegnormalizálásra támaszkodnak.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA mélytanulás a gépi tanulás egyik ága, amely sok rétegű mesterséges neurális hálókat használ. Az ilyen hálók nagy adatmennyiségből tanulják meg, mely jellemzők számítanak – a képek éleitől a szövegek jelentésbeli összefüggéseiig. A mélytanulás áll a mai nyelvi modellek, a kép- és beszédfelismerés, valamint a gépi fordítás mögött, és általában jelentős számítási teljesítményt és tanítóadatot igényel.
A dropout a neurális hálók tanításánál alkalmazott regularizációs technika: minden tanítási lépésben a neuronok egy véletlenszerű hányadát ideiglenesen kikapcsolják. Ez megakadályozza, hogy a háló egyes kapcsolatokra támaszkodjon, így robusztusabb mintázatokat tanul. Csökkenti a túlillesztést, vagyis azt, hogy a háló pusztán megjegyzi a tanítóadatokat. A kész modell későbbi használatakor minden neuron újra aktív.
A regularizáció olyan technikákat foglal magában, amelyek megakadályozzák, hogy a modell a tanítás során túlságosan szorosan illeszkedjen a tanítóadataihoz (túlillesztés). Ilyen például a nagy súlyok büntetése (L1- vagy L2-regularizáció), a neuronok véletlenszerű kikapcsolása (dropout) vagy a tanítás megfelelő időpontban történő leállítása (early stopping). A cél egy egyszerűbb modell, amely megbízhatóbban teljesít új, ismeretlen adatokon, még ha a tanítóadatokon kissé gyengébb eredményt ér is el.
A gradienscsökkenés (gradient descent) az az optimalizálási módszer, amellyel a legtöbb MI-modellt tanítják. Megmérik, mekkora a modell hibája, kiszámítják, milyen irányban kell megváltoztatni a paramétereket a csökkentéséhez, majd kis lépést tesznek ebbe az irányba – újra és újra. Olyan ez, mint egy ködben haladó túrázó, aki folyamatosan lefelé sétál, hogy elérje a völgyet. A lépésköz (tanulási ráta) határozza meg a sebességet és a stabilitást.
