modeltræning

1. 1

   Den overordnede proces, hvor en maskinlæringsmodel lærer fra data ved at optimere sine parametre.

   • Modeltræning kræver et stort datasæt og tilstrækkelig regnekraft til at gennemføre hundredvis af iterationer.
   • Overvåget modeltræning bruger mærkede data til at lære en funktion, der kortlægger input til output.
2. 2

   Specifikt for neurale netværk: fremføring (forward pass), tabsberegning og tilbageleddelse af gradienter (backpropagation) efterfulgt af vægtopdatering.

   • I hver epoke af modeltræning udføres både forward og backward pass på hele træningssættet.

Modeltræning er den centrale fase i maskinlæring, hvor en algoritme lærer mønstre fra data. Det bruges i alt fra lineær regression til dybe neurale netværk og foregår typisk i iterativt med optimeringsalgoritmer som gradient descent.

θ_{t+1} = θ_t - η ∇_θ L(θ_t)

for epoch in range(num_epochs):
    for x_batch, y_batch in dataloader:
        optimizer.zero_grad()
        output = model(x_batch)
        loss = criterion(output, y_batch)
        loss.backward()
        optimizer.step()

En typisk træningsløkke i PyTorch: beregn forudsigelse, tabsværdi, tilbageleddelse og opdater parametre.

Sammensat af 'model' (en matematisk repræsentation) og 'træning' (indlæring gennem gentagelse). Betegnelsen er en direkte oversættelse af det engelske 'model training'.

• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.