预约成功
1、常见的机器学习误区有哪些——假设您的代码没有错误
众所周知，机器学习，特别是深度学习和强化学习模型是很难调试的。为了帮助你理解犯错误的无数方法，请查看Andrej karpathy的Twitter主题。我们所有人，甚至是更先进的研究人员，总是犯同样的错误。使这些问题如此难以发现的是，即使是有缺陷的模型也常常可以学习并产生有意义的输出。错误会对模型进行细微的更改，而且大多数错误只会在运行时出现。考虑到这一点，最糟糕的事情就是假设代码不包含任何错误。机器学习研究者对待代码的态度也是将代码分为生产性和非生产性的本意。如果您的默认假设是您的代码可能有问题，那么您将更仔细地搜索错误，逐行完成代码，并更仔细地检查中间输出。如果可能的话，你也可以将它们可视化。您将考虑张量的形状是否合适，它们是否正确初始化、克隆或分离，并在训练期间监视梯度和注意Nan。通过植入随机数生成器和使实验可重复等方法编写单元测试。这些措施可以使代码更实用。有关神经网络调试的更多提示，请参阅goodsell等人的深入学习手册。
2、常见的机器学习误区有哪些——只看最终评价指标
虽然您的项目目标可能是在某些评估指标上取得改进，但更重要的是，您应该充分了解模型的工作原理和原因。特别是在项目前期，最终的评价指标包含的信息很少，但这些信息对于迭代和开发算法或模型非常有用。为了获得更多的信息，我们必须提出更深入的问题并获得反馈。例如，如果你引入了门控或注意机制，你的模型是否真的使用了它?您提出的哪种模式创新实际上有利于整体绩效的提高?您的模型需要多少个训练样本/周期才能达到合理的性能?这和你使用的基线有什么不同?您的模型运行良好或非常严重的测试用例之间是否存在系统性差异?你能从模型的隐藏状态预测重要特征吗?请记住，您的研究和项目报告并没有真正告知研究界一些(边际)技术水平的改进，但有助于我们对该领域的理解。
3、常见的机器学习误区有哪些——没有明确的期望尝试随机变化
使用当前的深度学习lib库，可以通过添加更多的组件、层和优化技术来轻松地使模型更加复杂。然而，当您对代码或模型进行更改时，您至少应该对更改有一个一般的直觉。同样，当你进行一个实验时，你应该对它的结果有明确的期望。你期望结果是什么样的，他们会告诉你什么?当您发现您的模型不能按预期工作时，这一点更为重要。通过这些度量，您更有可能看到错误的原因，因为扩展模型将无法帮助您找到错误，甚至使您更难找到问题。在使模型更复杂之前，先要了解它可能出错的底线。另外，记住在你的报告中，你必须证明你做了什么。因为你的报告是别人帮你解决问题的唯一方法。如果你不能做一个研究假设并向自己解释为什么你要做这项工作，那么其他人就没有机会了解你在做什么。
4、常见的机器学习误区有哪些——过于复杂
我们经常看到积极的学生立即跳出问题，尝试复杂的解决方案。事实上，真正的问题通常很难分析。相反，扪心自问：哪一件事最起码应该管用?一个模型能学会记住一个小数据集吗?当只使用几个参数时，可以学到什么?当使用单个培训实例而不是批处理培训时，代码是否有效?我们期望看到的最简单的概括是什么?
5、常见的机器学习误区有哪些——迭代太慢
训练实验可能需要很长时间。特别是，深度学习和强化学习在累积统计上显著的随机种子数方面非常耗时。因此，在短期项目过程中，重要的是不要过早地陷入缓慢的迭代周期。尝试使用一个简单的环境来调试您的模型并实现您的想法的概念验证，以便整个过程可以在您的个人计算机上运行。有时，简单的矩阵游戏或网格世界实验也能提供有用的想法证明。类似地，在进行更大规模的实验时，可以使用MDP的精确值函数来测试算法思想，而无需使用梯度估计、actor-review训练等，简化了开始实验和检查结果的过程。在实验完成前检查这些结果，看性能是否稳定。用于投资培训模式的基础设施在开始时可能会很耗时，但在项目结束时会有回报。
以上就是《无人机巡检的应用空间有哪些?这个人工智能发展机会必须抓住》的全部内容，众所周知，机器学习，特别是深度学习和强化学习模型是很难调试的。环球网校的小编希望您可以多花点耐心在这门学科上，如果你想知道更多人工智能知识，可以点击下方资料下载链接。
