Epoch

Çağlar Nasıl Çalışır?

Model eğitimi sırasında, veri kümesi genellikle bellek kısıtlamaları nedeniyle bir kerede işlenemeyecek kadar büyüktür. Bu nedenle, yığın adı verilen daha küçük parçalara bölünür. Model her seferinde bir yığını işler, hatayı (kayıp) hesaplar ve gradyan inişi gibi bir optimizasyon algoritması kullanarak ağırlıklarını günceller. Bir epok ancak model tüm eğitim veri kümesini kapsayan tüm partileri işledikten sonra tamamlanır. Bu sürecin birden fazla dönem boyunca tekrarlanması, modelin verilerdeki karmaşık örüntüleri ve ilişkileri daha etkili bir şekilde öğrenmesini sağlar.

Dönem Vs. Yineleme Vs. Parti Boyutu

Bir dönemi ilgili terimlerden ayırt etmek önemlidir:

• Dönem: Tüm eğitim veri kümesi boyunca bir tam döngü.
• Toplu İş Boyutu: Modelin ağırlıkları güncellenmeden önce işlenen eğitim örneklerinin sayısı.
• Yineleme: Modelin ağırlıklarının tek bir güncellemesi. Bir iterasyon, bir veri grubunun işlenmesini içerir.

İlişki basittir: bir eğitim veri kümesinde 10.000 örnek varsa ve yığın boyutu 100 ise, bir epok 100 iterasyondan oluşur (10.000 örnek / yığın başına 100 örnek).

Eğitimde Dönemlerin Önemi

Bir modeli birden fazla dönem için eğitmek yakınsama için çok önemlidir, yani modelin performansının optimum veya optimuma yakın olduğu kararlı bir duruma ulaşması anlamına gelir. Her dönem, modele veri örüntülerinden öğrenmesi için bir şans daha verir. Bununla birlikte, epok sayısı kritik bir hiper parametredir.

• Çok Az Dönem: Model yeterince öğrenemeyebilir, bu da eğitim verilerinde bile düşük performans gösterdiği yetersiz uyuma yol açar.
• Çok Fazla Dönem: Model, gürültü ve belirli ayrıntılar da dahil olmak üzere eğitim verilerini çok iyi öğrenerek aşırı uyuma yol açabilir. Aşırı uyarlanmış bir model eğitim verilerinde iyi performans gösterirken görülmeyen verilerde(doğrulama verileri veya gerçek dünya örnekleri) kötü performans gösterir.

Eğitim sırasında ayrı bir doğrulama kümesindeki performans metriklerinin izlenmesi, doğrulama performansı iyileşmeyi durdurduğunda eğitimi durdurmak için genellikle erken durdurma gibi teknikler kullanılarak optimum epok sayısının belirlenmesine yardımcı olur.

Gerçek Dünyadan Örnekler

1. Ultralytics YOLO ileNesne Algılama: Bir nesneyi eğitirken Ultralytics YOLO modeli gibi YOLOv8 veya YOLO11COCO gibi bir veri kümesinde, 100 epok için eğitim belirleyebilirsiniz. Her epokta model, nesneleri daha iyi tanımlamak ve bulmak için ağırlıklarını ayarlayarak COCO eğitim görüntülerinin tamamını (gruplara bölünmüş) işler. Ultralytics HUB gibi platformlar, bu eğitim sürecini yönetmek ve dönemler arasındaki ilerlemeyi izlemek için araçlar sağlar.
2. Doğal Dil İşleme (NLP): Müşteri yorumlarından oluşan bir veri kümesi üzerinde duygu analizi için BERT gibi bir modelin eğitilmesi birden fazla epok içerir. Örneğin, 5 epok için eğitim, modelin tüm incelemeleri beş kez okuduğu anlamına gelir. Her geçişte (epoch), Hugging Face Transformers gibi kütüphaneler genellikle aşağıdaki gibi çerçeveler aracılığıyla kullanılır PyTorch veya TensorFlowmodel, incelemeleri olumlu, olumsuz veya tarafsız olarak sınıflandırma yeteneğini geliştirir.

Epoklar, makine öğreniminde yinelemeli öğrenmenin temel taşıdır ve aşırı uyum risklerine karşı verilere yeterince maruz kalma ihtiyacını dengeler. Genellikle dikkatli deneyler ve izleme yoluyla doğru sayıda epok seçmek, etkili modeller oluşturmanın anahtarıdır. Google Makine Öğrenimi Sözlüğü gibi kaynaklarda daha fazla tanım bulabilirsiniz.