训练人工智能模型

您现在知道神经网络通过调整权重和偏差来学习。但完整的培训过程实际上是如何进行的呢？你怎么知道模型什么时候已经学得足够了——或者太多了？在本课中，我们将走过完整的训练历程。

训练循环

训练人工智能模型遵循一个不断重复的循环：

1. 预测 - 通过模型输入数据并获得预测。
2. 比较 - 检查预测与正确答案的差距。
3. 调整 - 更新权重以减少误差。
4. 重复 - 使用下一批数据再次执行此操作。

这个循环运行数千甚至数百万次。每次重复都会使模型稍微接近正确答案。

损失函数：模型有多错？

每次预测之后，我们需要一种方法来衡量模型的“错误程度”。这种测量称为损失（或成本），计算它的公式是损失函数。

• 低损失 = 预测接近正确答案。
• 高损失 = 预测相差甚远。

把它想象成一个飞镖靶。靶心就是正确答案。损失是从飞镖落地点到靶心的距离。训练的目标是随着时间的推移最小化该距离。

常见的损失函数包括：

• 均方误差 (MSE) - 测量预测值与实际值之间的平均平方距离。用于预测数字。
• 交叉熵损失 - 衡量预测概率与真实类别的匹配程度。用于分类任务。

Epochs：数据被浏览了多少次？

对整个训练数据集的一次完整遍历称为纪元。训练通常涉及许多时期 - 模型多次看到相同的数据，每轮都会稍微好一点。

• Epoch 1： 该模型犯了很多错误；损失很高。
• Epoch 10： 模型有了显着改进；损失正在下降。
• 第 50 纪元： 改进速度减慢；该模型已接近最佳状态。
• 纪元 200： 模型可能会开始记忆 - 这将我们带到下一个主题。

过度拟合：记忆力强的学生

过度拟合是人工智能训练中最常见的问题之一。当模型对训练数据学习得“太好”（包括其噪声和怪癖）并且无法对新的、看不见的数据执行时，就会发生这种情况。

想象一下，一个学生逐字逐句地记住过去的每一篇试卷。他们在旧试卷上得分很高，但在问题稍有变化时就会表现不佳。学生还没有学过这门课——他们已经记住了答案。

过度拟合的迹象：

• 训练准确率非常高（例如 99%）。