Thuật ngữ

Giai đoạn

Hiểu các kỷ nguyên trong học máy để tối ưu hóa đào tạo mô hình về độ chính xác, tính linh hoạt và tác động thực tế. Nâng cao chiến lược AI của bạn ngay hôm nay!

Xe lửa YOLO mô hình đơn giản
với Ultralytics TRUNG TÂM

Tìm hiểu thêm

Kỷ nguyên là một khái niệm quan trọng trong lĩnh vực học máy, đặc biệt là trong quá trình đào tạo mạng nơ-ron. Nó đề cập đến một lần duyệt qua toàn bộ tập dữ liệu đào tạo. Trong một kỷ nguyên, thuật toán học máy xử lý từng điểm dữ liệu, điều chỉnh trọng số của mô hình để giảm thiểu lỗi và tinh chỉnh các dự đoán của nó. Khái niệm kỷ nguyên là cơ bản để hiểu cách các mô hình học hỏi từ dữ liệu và cải thiện theo thời gian.

Tầm quan trọng của các thời kỳ trong đào tạo

Các kỷ nguyên đóng vai trò quan trọng trong việc đào tạo mô hình, vì chúng xác định chiều sâu và chiều rộng của việc học. Việc đào tạo một mô hình thường yêu cầu nhiều kỷ nguyên để đảm bảo rằng nó học được các mẫu có ý nghĩa thay vì chỉ ghi nhớ dữ liệu. Số kỷ nguyên bạn chọn có thể ảnh hưởng đáng kể đến độ chính xác và hiệu suất của mô hình, cân bằng giữa việc thiếu khớp và quá khớp. Để tìm hiểu thêm về các khái niệm này, hãy khám phá Ultralytics Các trang OverfittingUnderfitting để biết thêm thông tin chi tiết.

Kỷ nguyên so với Lặp lại

Một kỷ nguyên thường bị nhầm lẫn với một lần lặp, nhưng chúng khác nhau về quy mô. Một lần lặp đề cập đến một lần cập nhật duy nhất các tham số của mô hình sau khi xử lý một tập hợp con dữ liệu, được gọi là một lô. Do đó, trong một kỷ nguyên, một số lần lặp diễn ra, mỗi lần cập nhật mô hình dựa trên các lô đã xử lý. Để biết thêm chi tiết về xử lý lô, hãy truy cập trang thuật ngữ Kích thước lô của chúng tôi.

Chọn đúng số kỷ nguyên

Việc lựa chọn số lượng epoch phù hợp là rất quan trọng. Quá ít epoch có thể dẫn đến mô hình được đào tạo chưa đầy đủ, trong khi quá nhiều epoch có thể dẫn đến quá khớp. Các kỹ thuật như dừng sớm có thể giúp xác định điểm tối ưu để dừng đào tạo, bạn có thể khám phá thêm trong Điều chỉnh siêu tham số .

Ứng dụng trong thế giới thực

Xe tự lái

Các công ty công nghệ tự lái sử dụng các kỷ nguyên rộng rãi khi đào tạo các mô hình để nhận dạng biển báo đường bộ, phát hiện chướng ngại vật và điều hướng trong môi trường phức tạp. Mỗi kỷ nguyên giúp tinh chỉnh độ chính xác của các mô hình này, cải thiện khả năng ra quyết định theo thời gian thực của chúng. Khám phá thêm về các ứng dụng trong AI trong Tự lái .

Chẩn đoán chăm sóc sức khỏe

Trong chăm sóc sức khỏe, các mô hình trải qua nhiều giai đoạn để học các mẫu trong hình ảnh y tế cho các nhiệm vụ như phát hiện khối u hoặc phân tích tia X. Một mô hình được đào tạo tốt có thể cải thiện đáng kể độ chính xác của chẩn đoán, dẫn đến kết quả đáng tin cậy hơn cho bệnh nhân. Tìm hiểu cách AI đang chuyển đổi chẩn đoán chăm sóc sức khỏe trên trang AI trong chăm sóc sức khỏe của chúng tôi.

Các khái niệm liên quan

  • Gradient Descent: Thuật toán tối ưu hóa này được sử dụng rộng rãi cùng với các kỷ nguyên để giảm thiểu hàm mất mát, hướng dẫn điều chỉnh trọng số của mô hình. Để biết thêm, hãy xem Gradient Descent .
  • Tỷ lệ học: Siêu tham số này xác định kích thước bước tại mỗi lần lặp trong khi di chuyển về mức tối thiểu của hàm mất mát. Truy cập mục nhập thuật ngữ Tỷ lệ học của chúng tôi để hiểu rõ hơn.

Các kỷ nguyên là một phần không thể thiếu của quá trình học lặp lại trong học máy, đóng vai trò là chuẩn mực cho số chu kỳ hoàn chỉnh được thực hiện thông qua tập dữ liệu đào tạo. Với mỗi kỷ nguyên, mô hình trở nên thành thạo hơn trong việc hiểu và dự đoán dựa trên dữ liệu cơ bản, biến kỷ nguyên thành nền tảng của quá trình đào tạo mô hình AI hiệu quả. Để tích hợp các kỷ nguyên theo khái niệm vào các dự án của bạn, hãy cân nhắc khám phá Ultralytics HUB để có khả năng đào tạo mô hình hợp lý.

Đọc tất cả