مؤشر راند المعدل: هل تبديل أسماء المجموعات يغير الاتفاق؟
مؤشر راند المعدل، أو Adjusted Rand، يقارن تقسيمين عبر علاقات أزواج الحالات ويصحح اتفاق الصدفة. لا يغير تبديل أسماء المجموعات النتيجة إذا بقيت عضوية الحالات نفسها. [1]
تقنية (الصفحة 33)
أفكار وأدوات رقمية بلغة مفهومة.
1201 مقال
مؤشر Davies–Bouldin: لماذا نأخذ أكبر نسبة لكل مجموعة؟
مؤشر Davies–Bouldin يلخص تشابه كل مجموعة مع أكثر المجموعات تشابهًا معها، وفق نسبة التشتت الداخلي إلى الفصل بينها. القيمة الأصغر أفضل وفق هذا المعيار. [1]
منحنى التعلم: ما الذي تغير عندما كبر حجم التدريب؟
منحنى التعلم هنا يقارن درجات التدريب والتحقق عبر أحجام مختلفة من أمثلة التدريب. توثق learning_curve حساب تلك الدرجات بطيات تحقق، وليس تغيير عدد خطوات التدريب فقط. [1]
Bootstrap لمقياس التقييم: ماذا تعيد معاينته؟
Bootstrap لمقياس التقييم يعيد سحب الحالات مع الإرجاع ويحسِب المقياس لكل سحب. في شرحنا تبقى تنبؤات النموذج ثابتة؛ نراجع اختلاف المقياس عبر عينات من سجل التقييم، ولا ندرب نماذج جديدة. [1]
مقارنة نموذجين على الحالات نفسها: ما الذي يخفيه مجموع الصحيح؟
مقارنة نموذجين على الحالات نفسها تحتاج إلى ربط حكميهما بكل معرف؛ العدد الإجمالي للصحيح لا يكشف مقدار الاتفاق أو اتجاه الاختلاف. ننشئ جدولًا مزدوجًا للمخرجات الصحيحة والخاطئة، دون اختبار نموذجين فعليين.
دالة ReLU: كيف تغير تركيب تحويلين أفينيين؟
دالة ReLU تأخذ الأكبر بين الصفر ومدخلها، وتطبق هذه القاعدة على كل عنصر. إدخالها بين تحويلين أفينيين يغير نوع التركيب الذي نحسبه. [1]
Sigmoid وTanh: هل المشتقة المحلية هي تدرج الشبكة؟
مشتقة Sigmoid وTanh تصف حساسية خرج التنشيط لمدخله في الموضع الحالي. قيمة صغيرة في هذا الموضع لا تعرض وحدها كل عوامل مشتقة المسار الذي يحتويه.
Leaky ReLU وGELU: هل تمرران السالب بالطريقة نفسها؟
Leaky ReLU وGELU قد تعطيان خرجًا سالبًا لمدخل سالب، لكنهما تستعملان قاعدتين مختلفتين. تمرر الأولى الجانب السالب بميل تختاره، بينما تضرب الثانية المدخل في قيمة دالة تراكمية. [1][2]
Softmax: على أي محور يجب أن يصبح المجموع واحدًا؟
محور Softmax يحدد القيم التي تتشارك مقام الحساب. الدالة تقسم أس كل درجة على مجموع الأسس داخل نطاق تختاره؛ لذلك لا تكفي عبارة «مجموعها واحد» دون تسمية هذا النطاق. [1]
CrossEntropyLoss: هل تمرر الدرجات أم الاحتمالات؟
مدخل CrossEntropyLoss في PyTorch هو الدرجات غير المطبعّة، أي logits، لا احتمالات المخرج بعد Softmax. وفي هدف الفئة ذات الفهرس، تعادل العملية LogSoftmax ثم NLLLoss. [1]
Dropout: هل تسقط النسبة نفسها في كل مرور؟
Dropout في التدريب والتقييم يغير طريقة التعامل مع قيم التنشيط في الوحدة المحددة. أثناء التدريب تصفر nn.Dropout عناصر باحتمال p، وتحجّم المخرجات بعامل 1 ÷ (1 − p)؛ أثناء التقييم تكون الوحدة دالة هوية. [1]
BatchNorm: لماذا تغير الدفعة خرج القيمة نفسها؟
إحصاءات BatchNorm ليست وصفًا للقيمة منفردة. في BatchNorm1d تحسب الوحدة متوسط القناة وتباينها في الدفعة أثناء التدريب؛ وعند تتبع الإحصاءات الجارية تستعمل المخزن الجاري في التقييم. [1]
LayerNorm: أي أبعاد تدخل متوسط المثال؟
أبعاد LayerNorm تتحدد من normalized_shape: تحسب الوحدة المتوسط والتباين على الأبعاد الأخيرة التي يحددها هذا الشكل. لا يكفي اسم LayerNorm للقول إن محورًا معينًا مستبعد من الحساب. [1]
الوصلات المتبقية: هل نجمع المتجه أم نلصقه؟
جمع الوصلات المتبقية في الصيغة الأساسية يجمع F(x) والمدخل x عنصرًا بعنصر. ليس ضم القائمتين، ولا يعني إسقاط حساب الفرع F؛ تعرض ورقة ResNet الجمع قبل التنشيط اللاحق. [1]
عمق الشبكة وعرضها: كيف تعد المعاملات فعلًا؟
عدد معاملات الشبكة يتحدد من أشكال طبقاتها وإعداداتها، لا من وصف «عميقة» أو «عريضة» وحده. في nn.Linear موثقة، شكل الأوزان out_features × in_features، ويضاف متجه إزاحة بطول out_features عند تفعيله. [1]
الشبكة المتكررة: هل حالة الزمن وزن جديد؟
الحالة المخفية في RNN تتغير مع المدخل الحالي والحالة السابقة، بينما يعاد استعمال معاملات الطبقة في خطوات التسلسل. تعرض شفرة PyTorch هذه العلاقة مع تنشيط Tanh أو ReLU. [1]
قطع تاريخ التدرج: هل يستمر الحساب إلى الزمن التالي؟
قطع تاريخ التدرج يحد اعتماد المشتقة على خطوات سابقة في الحساب المتكرر. يصف المصدر الاقتطاع عبر الزمن تقريبًا للتدرج الكامل؛ لا يلزم أن نمحو قيمة الحالة التي تدخل الخطوة التالية. [1]
التوقف المبكر: أي نسخة تعيدها قاعدة التحسن؟
التوقف المبكر واستعادة الأوزان خياران مترابطان لكنهما مختلفان: الأول يقرر متى ينتهي التدريب، والثاني يحدد نسخة الأوزان النهائية. سنقرأ قاعدة قبول التحسن في تنفيذ Keras محدد، لا نستنتجها من اسم «الأفضل» وحده.