Neuronales Netzwerk von Grund auf, Datei für Datei

Funktionen

• Dateienread_file, write_file, edit_file, move_file, copy_file, list_dir, grep und glob arbeiten im Arbeitsordner des Chats; ein Zähler zeigt erstellte, bearbeitete und gelesene Dateien an.
• Shellführt Terminalbefehle wie Ihren Trainingsbefehl und Tests aus, unter Windows, WSL oder über SSH, und meldet den echten Exit-Code. Gefährliche Befehle werden blockiert.
• Webweb_search durchsucht das Internet und http_get liest eine Dokumentationsseite, damit der Agent die Bedeutung einer Fehlermeldung nachschlagen kann.
• Screenshots und Bildergen_image speichert echte Bilddateien, und ocr liest Text aus einem gespeicherten Screenshot, z. B. die Zahlen auf einem Loss-Diagramm, das Sie aufgenommen haben.
• Orchestrierungtask führt parallele Sub-Agents aus, run_on_model sendet einen harten Schritt an ein größeres Modell, und skill speichert ein wiederverwendbares Playbook, das Sie erneut ausführen können.
• GenehmigungsmodiAuto-run führt sofort aus, Ask first pausiert vor Aktionen, die etwas ändern, und zeigt den Diff zur Annahme an, und Plan only schreibt einen Plan und führt nichts aus.
• Cronführt ein Prompt nach Zeitplan aus, z. B. um jede Nacht ein kleines Experiment erneut auszuführen und seinen Loss in eine CSV-Datei zu schreiben, die Sie am nächsten Tag lesen.
• ModelleVerbinden Sie ein Cloud-Modell über einen Standard-API-Endpunkt oder ein Modell auf Ihrem eigenen PC, oder verwenden Sie das integrierte Modell, das ohne Ihren eigenen Endpunkt bereit ist.

Anleitungen

Perceptron in reinem Python schreiben

Das Verständnis des Perceptrons ist der erste Schritt, wenn Sie neuronale Netzwerke von Grund auf in Python erstellen möchten. Sie bitten um eine kleine Datei, und write_file erstellt eine reine Python-Datei mit einer kleinen Liste von Beispielen und einem Neuron, das die AND-Logik mit einer festen Lernrate in einer kurzen Schleife von Weight-Updates lernt. Shell führt es auf Ihrem PC aus und druckt die Gewichte in der Chat-Karte zusammen mit dem echten Exit-Code. Wenn Sie Hilfe bei Ihrem ersten neuronalen Netzwerk benötigen, beginnen Sie mit einem Neuron. Kein Framework ist erforderlich, und die Datei ist kurz genug, um auf einmal gelesen zu werden. Im Modus Ask first lesen Sie die neue Datei in der Karte und akzeptieren sie, bevor sie gespeichert wird, dann prüfen Sie die gedruckten Gewichte selbst.

Overfitting finden und reduzieren

Overfitting zeigt sich, wenn der Training Loss weiter sinkt, während der Loss an separaten Validierungsdaten sich nicht mehr verbessert oder steigt. grep durchsucht Ihr Log nach beiden Loss-Spalten, und read_file öffnet das Trainingsskript, damit der Agent die Modellgröße und alle Regularisierungseinstellungen sehen kann. Häufige Abhilfen sind mehr Daten, ein kleineres Modell, Regularisierung oder Early Stopping. Halten Sie jedes Experiment klein und wiederholbar, damit eine Änderung in den Zahlen eine klare Ursache hat. Mit edit_file erhalten Sie einen Diff zur Überprüfung, und im Modus Ask first wird nichts gespeichert, bevor Sie es akzeptieren. Shell führt dann Ihren Testbefehl erneut aus und gibt den Exit-Code zurück, und Sie vergleichen den Validierung Loss vor und nach der Änderung an Daten, die das Modell nicht gesehen hat, wobei die Testmenge bis zum Ende unberührt bleibt.

Einen Input-Shape-Fehler beheben

Ein Input-Shape-Fehler bedeutet, dass die dem Netzwerk zugeführten Daten nicht zur ersten Schicht passen, sodass Ihr Skript mit einer Fehlermeldung stoppt, die die beiden Shapes nennt, die nicht übereinstimmen. Die Input-Shape für neuronale Netzwerke muss zu den Daten passen, und die Output-Shape muss zur Anzahl der Labels passen. Der Agent öffnet Ihren neuronalen Netzwerkcode in Python mit read_file, verwendet grep, um die Layer-Definitionen und die Stelle, an der Batches umgeformt werden, zu finden, und schlägt eine einzeilige Änderung mit edit_file vor. Plan only führt nichts aus, also verwenden Sie es zuerst, um die Erklärung zu lesen. Schalten Sie dann auf Ask first um, akzeptieren Sie den Diff, lassen Sie Shell das Skript erneut ausführen und lesen Sie die gedruckten Shapes selbst, anstatt sich nur auf den Exit-Code zu verlassen.

Trainingsmetriken in eine CSV-Datei protokollieren

Um Experimente zu vergleichen, benötigen Sie den Loss jeder Epoche in einer Datei, nicht nur auf dem Bildschirm. write_file erstellt ein Loss-Log, oder append_file fügt nach jeder Epoche eine Zeile hinzu, und read_file findet die Stelle in Ihrem Skript, an der der Loss berechnet wird. edit_file fügt die Logging-Zeilen hinzu und zeigt einen Diff an. Shell führt Ihren Trainingsbefehl aus und gibt die echte Ausgabe und den Exit-Code in der Chat-Karte zurück. Ask first pausiert, bevor das Skript geändert wird, damit Sie die neuen Zeilen zuerst in der Karte lesen können. Öffnen Sie die CSV-Datei danach, legen Sie 2 Läufe nebeneinander und notieren Sie, welche Einstellungen Sie geändert haben, bevor Sie die Änderung beibehalten. Die Datei ist reiner Text in Ihrem Arbeitsordner, und read_file kann sie im nächsten Chat erneut laden, um dort fortzufahren, wo Sie aufgehört haben.