Батчі
Свайпніть щоб показати меню
Пакети у обробці даних
Під час навчання моделі машинного навчання зазвичай дані подаються невеликими частинами, а не всі одразу. Ці частини називаються «пакетами». Замість того, щоб подавати моделі один елемент даних (наприклад, одне зображення або одне речення), ми можемо подавати пакет, наприклад, з 32 елементів одночасно. Такий підхід робить навчання стабільнішим і швидшим.
У контексті тензорів це означає додавання додаткового виміру на початку. Якщо дані одного елемента представлені тензором форми (height, width), то пакет таких елементів матиме форму (batch_size, height, width). У цьому прикладі, якщо розмір пакета 32, форма буде (32, height, width).
Припустимо, у нас є 2048 зразків даних, кожен з формою (base shape). Це дає тензор розміру (2048, base shape). Якщо розбити ці дані на пакети по 32 зразки, отримаємо 64 пакети, оскільки 64 * 32 = 2048. Нова форма буде (64, 32, base shape).
Під час проєктування власної нейронної мережі або іншої моделі можна використовувати різні форми для зазначених вище завдань. Однак ці методи формування є стандартними у Tensorflow, оскільки вони структуровані як логічно, так і ієрархічно для оптимізації продуктивності алгоритмів навчання.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Батчі
Пакети у обробці даних
Під час навчання моделі машинного навчання зазвичай дані подаються невеликими частинами, а не всі одразу. Ці частини називаються «пакетами». Замість того, щоб подавати моделі один елемент даних (наприклад, одне зображення або одне речення), ми можемо подавати пакет, наприклад, з 32 елементів одночасно. Такий підхід робить навчання стабільнішим і швидшим.
У контексті тензорів це означає додавання додаткового виміру на початку. Якщо дані одного елемента представлені тензором форми (height, width), то пакет таких елементів матиме форму (batch_size, height, width). У цьому прикладі, якщо розмір пакета 32, форма буде (32, height, width).
Припустимо, у нас є 2048 зразків даних, кожен з формою (base shape). Це дає тензор розміру (2048, base shape). Якщо розбити ці дані на пакети по 32 зразки, отримаємо 64 пакети, оскільки 64 * 32 = 2048. Нова форма буде (64, 32, base shape).
Під час проєктування власної нейронної мережі або іншої моделі можна використовувати різні форми для зазначених вище завдань. Однак ці методи формування є стандартними у Tensorflow, оскільки вони структуровані як логічно, так і ієрархічно для оптимізації продуктивності алгоритмів навчання.
Дякуємо за ваш відгук!
