Что такое эпоха в машинном обучении?

В этой статье мы прольем свет на «Эпоху», термин машинного обучения, и обсудим, что это такое, а также другие относительные термины, такие как пакет, итерации, стохастический градиентный спуск и разницу между Эпохой и Пакетом. Эти термины необходимо знать каждому, кто изучает глубокое обучение и машинное обучение или пытается построить карьеру в этой области.

Эпоха машинного обучения

Машинное обучение — это область, в которой основное внимание уделяется аспекту обучения искусственному интеллекту (ИИ). Этот аспект обучения разрабатывается с помощью алгоритмов, которые представляют набор данных. Модели машинного обучения обучаются с использованием конкретных наборов данных, проходящих через алгоритм.

Каждый раз, когда набор данных проходит через алгоритм, говорят, что эпоха завершилась. Таким образом, эпоха в машинном обучении относится к одной полной передаче обучающих данных через алгоритм. Это гиперпараметр, определяющий процесс обучения модели машинного обучения.

Данные обучения всегда разбиваются на небольшие порции, чтобы решить проблему, которая может возникнуть из-за ограничений объема памяти компьютерной системы. Эти небольшие партии можно легко ввести в модель машинного обучения для ее обучения. Этот процесс разбиения на более мелкие части в машинном обучении называется пакетным. Эта процедура известна как эпоха, когда все пакеты одновременно вводятся в модель для обучения.

Ваша карьера в области искусственного интеллекта и машинного обучения уже не за горами! Магистерская программа AI EngineerИзучите программу

Что такое эпоха?

Эпоха — это когда все обучающие данные используются одновременно и определяются как общее количество итераций всех обучающих данных в одном цикле обучения модели машинного обучения.

Другой способ определить эпоху — это количество проходов набора обучающих данных по алгоритму. Один проход засчитывается, когда набор данных выполнил как прямой, так и обратный проход.

Количество эпох считается гиперпараметром. Он определяет, сколько раз весь набор данных должен быть обработан алгоритмом обучения.

У каждой выборки в наборе обучающих данных была возможность обновить внутренние параметры модели один раз в течение эпохи. Одна или несколько партий составляют эпоху. Например, алгоритм пакетного градиентного спуска используется для описания эпохи, которая содержит только одну партию.

Алгоритмам обучения требуются сотни или тысячи эпох, чтобы минимизировать ошибку в модели в максимально возможной степени. Число эпох может достигать десяти или достигать 1000 и более. Кривую обучения можно построить с использованием данных о количестве раз и количестве эпох. Это отображается с эпохами по оси X, а время и навыки модели — по оси Y. Построенная кривая может дать представление о том, является ли данная модель недостаточно изученной, переобученной или правильно соответствует набору обучающих данных.

Пример эпохи

Поясним Epoch на примере. Рассмотрим набор данных, содержащий 200 выборок. Этим выборкам требуется 1000 эпох или 1000 оборотов, чтобы набор данных прошел через модель. Размер партии равен 5. Это означает, что веса модели обновляются при прохождении каждой из 40 партий, содержащих пять образцов. Следовательно модель будет обновляться 40 раз.

Стохастический градиентный спуск

Стохастический градиентный спуск или SGD — это оптимизирующий алгоритм. Он используется в нейронных сетях глубокого обучения для обучения алгоритмов машинного обучения. Роль этого алгоритма оптимизации заключается в определении набора внутренних параметров модели, которые превосходят другие показатели производительности, такие как среднеквадратическая ошибка или логарифмические потери.

Можно думать об оптимизации как о процессе поиска, включающем обучение. Здесь алгоритм оптимизации называется градиентным спуском. «Градиент» означает вычисление градиента ошибки или наклона ошибки, а «спуск» указывает на движение вдоль этого наклона в направлении желаемого минимального уровня ошибки.

Алгоритм позволяет процессу поиска выполняться несколько раз на дискретных этапах. Это сделано для того, чтобы немного улучшить параметры модели на каждом этапе. Эта особенность делает алгоритм итеративным.

На каждом этапе прогнозы делаются с использованием конкретных выборок с использованием текущего набора внутренних параметров. Затем прогнозы сравниваются с ощутимыми ожидаемыми результатами. Затем вычисляется ошибка и обновляются внутренние параметры модели. Разные алгоритмы используют разные процедуры обновления. Когда дело доходит до искусственных нейронных сетей, алгоритм использует метод обратного распространения ошибки.

Ваша карьера в области искусственного интеллекта и машинного обучения уже не за горами! Магистерская программа AI EngineerИзучите программу

Что такое итерация?

Общее количество пакетов, необходимых для завершения одной эпохи, называется итерацией. Количество пакетов равно общему количеству итераций для одной Эпохи.

Вот пример, который может дать лучшее понимание того, что такое итерация.

Предположим, для обучения модели машинного обучения потребуется 5000 обучающих примеров. Этот большой набор данных можно разбить на более мелкие части, называемые пакетами.

Предположим, размер пакета равен 500; следовательно, создается десять пакетов. Для завершения одной Эпохи потребуется десять итераций.

Что такое пакет в машинном обучении?

Размер пакета — это гиперпараметр, который определяет количество выборок, взятых для работы с конкретной моделью машинного обучения перед обновлением ее внутренних параметров модели.

Пакет можно рассматривать как цикл for, который выполняет итерацию по одной или нескольким выборкам и делает прогнозы. Эти прогнозы затем сравниваются с ожидаемыми выходными переменными в конце пакета. Ошибка рассчитывается путем сравнения двух значений, а затем используется для улучшения модели.

Набор обучающих данных можно разбить на несколько пакетов. Если существует только один пакет, в котором все обучающие данные находятся в одном пакете, тогда алгоритм обучения называется пакетным градиентным спуском. Алгоритм обучения называется стохастическим градиентным спуском, когда вся выборка составляет партию. Алгоритм называется мини-пакетным градиентным спуском, когда размер пакета больше одной выборки, но меньше размера набора обучающих данных.

Разница между эпохой и пакетным машинным обучением

В предыдущем разделе определялось, что такое эпоха и партия. Давайте теперь посмотрим на ключевые различия между ними.

Зачем использовать более одной эпохи?

Эпоха состоит из полного прохождения набора данных через алгоритм. Каждая эпоха состоит из множества шагов обновления веса. Для оптимизации процесса обучения используется градиентный спуск, который является итеративным процессом. Это улучшает внутренние параметры модели за много шагов, а не сразу.

Следовательно, набор данных проходит через алгоритм несколько раз, чтобы он мог обновлять веса на разных этапах для оптимизации обучения.

Ваша карьера в области искусственного интеллекта и машинного обучения уже не за горами! Магистерская программа AI EngineerИзучите программу

Наши ученики также задают вопросы

1. Что такое Эпоха?

Эпоха — это общее количество итераций обучающих данных за один цикл.

2. Как вы используете эпохи в машинном обучении?

Каждая эпоха используется для небольшого обновления внутренних параметров модели.

3. Что такое эпоха в Tensorflow?

В Tensorflow одна эпоха — это одна итерация обучения. Все выборки повторяются один раз за итерацию.

4. Что такое Эпоха в нейронной сети?

Эпоха в нейронной сети — это обучение нейронной сети всеми обучающими данными за один цикл.

5. Кто использует Epoch?

Специалисты по машинному обучению используют эпохи для обучения модели машинного обучения.

6. Почему важна эпоха?

Каждая эпоха содержит шаги обновления веса, используемые для обновления внутренних параметров модели.

Выберите правильную программу

Улучшите свою карьеру в области искусственного интеллекта и машинного обучения с помощью комплексных курсов Simplilearn. Получите навыки и знания, которые помогут преобразовать отрасли и раскрыть свой истинный потенциал. Зарегистрируйтесь сейчас и откройте безграничные возможности!

Подведение итогов

В этой статье обсуждались некоторые основные концепции нейронной сети в глубоком обучении. Мы увидели на примерах, что такое эпоха и что такое партия и размер партии. Мы также обсудили, что такое стохастический градиентный спуск. Это некоторые из ключевых терминов, которые обеспечивают основу для погружения в огромный и захватывающий мир глубокого обучения и машинного обучения.

Понимая эти основы, вы сможете лучше подготовиться к собеседованию своей мечты о машинном обучении или продолжить получение знаний более высокого уровня в области машинного обучения с помощью продвинутых курсов. Программа последипломного образования Simplilearn в области искусственного интеллекта и машинного обучения — отличный курс для работающих специалистов с опытом программирования, которые помогут им повысить свою карьеру.