Época

Como funcionam as épocas

Durante o treino do modelo, o conjunto de dados é normalmente demasiado grande para ser processado de uma só vez devido a restrições de memória. Por isso, divide-o em partes mais pequenas, chamadas lotes. O modelo processa um lote de cada vez, calcula o erro (perda) e actualiza os seus pesos utilizando um algoritmo de otimização como o gradient descent. Uma época só é concluída depois de o modelo ter processado todos os lotes que cobrem todo o conjunto de dados de treino. A repetição deste processo em várias épocas permite que o modelo aprenda padrões e relações complexas dentro dos dados de forma mais eficaz.

Época Vs. Iteração Vs. Tamanho do lote

É importante distinguir uma época de termos relacionados:

• Época: Faz um ciclo completo de todo o conjunto de dados de treino.
• Tamanho do lote: O número de amostras de treino processadas antes de os pesos do modelo serem actualizados.
• Iteração: Uma única atualização dos pesos do modelo. Uma iteração envolve o processamento de um lote de dados.

A relação é direta: se um conjunto de dados de treino tiver 10.000 amostras e o tamanho do lote for 100, então uma época consiste em 100 iterações (10.000 amostras / 100 amostras por lote).

Importância das épocas na formação

Treinar um modelo durante várias épocas é crucial para a convergência, o que significa que o modelo atinge um estado estável em que o seu desempenho é ótimo ou quase ótimo. Cada época dá ao modelo outra oportunidade de aprender com os padrões de dados. No entanto, o número de épocas é um hiperparâmetro crítico.

• Poucas épocas: O modelo pode não aprender o suficiente, levando a um subajuste, em que o desempenho é fraco mesmo com os dados de treino.
• Demasiadas épocas: O modelo pode aprender demasiado bem os dados de treino, incluindo ruído e detalhes específicos, o que leva a um sobreajuste. Um modelo sobreajustado tem um bom desempenho nos dados de treino mas um fraco desempenho em dados não vistos(dados de validação ou exemplos do mundo real).

A monitorização das métricas de desempenho num conjunto de validação separado durante o treino ajuda a determinar o número ideal de épocas, utilizando frequentemente técnicas como a paragem antecipada para interromper o treino quando o desempenho da validação deixa de melhorar.

Exemplos do mundo real

1. Deteção de objectos com o Ultralytics YOLO: Quando treinas um Ultralytics YOLO do Ultralytics, como o YOLOv8 ou YOLO11num conjunto de dados como COCO, podes especificar o treino para 100 épocas. Em cada época, o modelo processa todo o conjunto de imagens de treino COCO (dividido em lotes), ajustando os seus pesos para melhor identificar e localizar objectos. Plataformas como o Ultralytics HUB fornecem ferramentas para gerir este processo de treino e monitorizar o progresso entre épocas.
2. Processamento de linguagem natural (NLP): Treinar um modelo como o BERT para análise de sentimentos num conjunto de dados de críticas de clientes envolve várias épocas. Por exemplo, treinar para 5 épocas significa que o modelo lê todos os comentários cinco vezes. Em cada passagem (época), utiliza bibliotecas como Hugging Face Transformers, muitas vezes através de estruturas como PyTorch ou TensorFlowo modelo melhora a sua capacidade de classificar os comentários como positivos, negativos ou neutros.

As épocas são uma pedra angular da aprendizagem iterativa em ML, equilibrando a necessidade de exposição suficiente aos dados com os riscos de sobreajuste. Selecionar o número certo de épocas, muitas vezes através de uma experimentação e monitorização cuidadosas, é fundamental para criar modelos eficazes. Podes encontrar mais definições em recursos como o Glossário de Aprendizagem AutomáticaGoogle .