træningsloop
Den iterative proces, hvor en model gentagne gange præsenteres for data, beregner tab, og opdaterer vægte via backpropagation.
Kort fortalt
Det er den grundlæggende løkke, der gentages under træning af en AI-model: fremadpasning, tabsberegning, baglændspasning og vægtopdatering.
- Kategori
- træning
- Niveau
- øvet
- Udtale
- /ˈtʁɛːnɪŋsˌloːp/
Betydninger
1- 1
Den iterative cyklus, der udgør kernetræningsprocessen for en maskinlæringsmodel, typisk bestående af fremadpasning, tabsberegning, baglændspasning og vægtopdatering for hvert batch.
- I hvert træningsloop udfører modellen en fremadpasning på et batch, beregner tab, og opdaterer vægte via gradientnedstigning.
- Træningsloops kan optimeres med teknikker som gradientakkumulering og mixed precision.
Hvornår bruges det
Træningsloops implementeres i al maskinlæringstræning, typisk i rammer som TensorFlow eller PyTorch. De styrer epoker, batches og validering, og kan omfatte teknikker som early stopping og learning rate scheduling.
Kodeeksempel
for epoch in range(num_epochs):
for batch in dataloader:
x, y = batch
outputs = model(x)
loss = criterion(outputs, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()En simpel træningsloop i PyTorch, der itererer over epoker og batches.
Oprindelse
Sammensat af 'træning' og 'loop' (fra engelsk), brugt siden 1990'erne i neural netværkssammenhæng.