tgoop.com/biasvariance_ir/377
Last Update:
استفاده از یادگیری عمیق در پروژه های تجاری - بخش 22
دیتا پایپ‌لاین
یکی از مواردی که بسیار شاهد آن هستیم، عدم استفاده‌ی مناسب از کتابخانهها برای فرآیند ارسال داده به شبکه است. کتاب‌خانه‌هایی نظیر تنسورفلو یا پایتورچ، متدهای فرآوانی برای مدیریت داده دارند؛ با این حال، معمولا دیده می‌شود که در بسیاری از موارد افراد تکه کدهایی که خود برای آماده کردن داده زده‌اند را استفاده می‌کنند. لازم است حتما در زمان آموزش مدل‌های بزرگ بین ساخت مجدد چرخ برای یادگیری و استفاده از راه‌کار صحیح برای ارسال داده تمایز قایل شوید. علت این موضوع این است که اگر از کتاب‌خانه‌های موجود برای یک‌پارچه کردن نوع داده‌ی ورودی به شبکه استفاده نکنید و صرفا کدی بزنید که در آن پیش‌پردازش‌ها را دستی کد بزنید تا یادشان بگیرید یا داده‌ها را با کدزنی خودتان کنار هم قرار دهید، در آینده احتمالا مشکل خواهید داشت؛ زیرا معمولا در طول یادگیری، داده‌ها از منابع مختلف وارد می‌شوند و این موضوع در طول زمان ممکن است ادامه پیدا کند. با کمک این کتابخانهها می‌توان داده‌ها را در نهایت یک‌پارچه و یک نوع کرد و برای انجام این کار کد خیلی زیادی لازم نیست. این در حالی است که اگر همه چیز را از ابتدا کد بزنید، بعدها هم احتمالا باید به این رویه که سرعت‌گیر است ادامه دهید. توصیه می‌کنیم، برای یادگیری روش‌ها، مسیر را از کار اصلی جدا کنید.
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
#نکته_آموزشی #یادگیری_عمیق #شبکه_عصبی #مثالهای_کاربردی #پروژه_تجاری #داده
ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
پشتیبانی | کانال | سایت | اینستاگرام | آپارات
BY Bias Variance
Share with your friend now:
tgoop.com/biasvariance_ir/377