Tu archivo Python debería entrenar una red pequeña, pero se detiene con un error o imprime números extraños. Sigmora abre el archivo, encuentra las líneas relevantes, ejecuta tu comando de entrenamiento con Shell y muestra la salida real en una tarjeta, para que veas lo que pasó en lugar de adivinar. Empieza con un solo archivo. El agente no entrena nada por sí mismo, porque es tu código quien lo hace, y puede tardar lo que tarde. El ciclo es corto: leer, ejecutar, comparar, cambiar. Tú eliges la carpeta, eliges el modo y decides qué cambio aceptar. Usa solo código, datos y computadoras que poseas o tengas permiso de usar, y mantén cada experimento lo suficientemente pequeño como para repetirlo.
Elige la carpeta de trabajo que contiene tu script de entrenamiento, tu archivo de configuración y tus registros. Las herramientas de archivos funcionan en esa carpeta, y list_dir muestra lo que hay dentro. Mantén los datos que tienes permitido usar en el mismo lugar, para que cada ruta en tu script sea corta. Las herramientas de archivos usan esta carpeta.
Pide a Sigmora que lea el script de entrenamiento y explique las capas, la función de pérdida y el bucle. read_file y grep citan las líneas a las que se refieren, para que puedas verificar la explicación contra tu propio código. El modo Plan only no cambia nada. Vuelve a preguntar si un bloque sigue sin estar claro.
Nombra tu comando de entrenamiento y elige un modo. Shell lo ejecuta en Windows, en WSL o por SSH en tu propio servidor, y la tarjeta muestra la salida real y el código de salida. Python debe estar instalado donde se ejecute el comando. El entrenamiento puede tardar mucho en tu hardware.
Expande la tarjeta y lee el error impreso o los valores de pérdida. Un código de salida cero solo significa que el script terminó sin errores, así que juzga los números tú mismo, en datos de validación que el modelo no ha visto, y anota lo que observaste. Luego decide cuál es el siguiente cambio pequeño.
perceptron_and.pyreadpython perceptron_and.pyexit 0perceptron_and.pysavedpython perceptron_and.pyexit 0# AND gate: one neuron (perceptron) learns the table
rows = [((0,0),0), ((0,1),0), ((1,0),0), ((1,1),1)]
w = [0.0, 0.0]
b = 0.0
rate = 0.1
for epoch in range(20):
for x, target in rows:
total = w[0] * x[0] + w[1] * x[1] + b
out = 1 if total > 0 else 0
err = target - out
w[0] += rate * err * x[0]
w[1] += rate * err * x[1]
b += rate * err
print("weights:", w, "bias:", b)Este archivo entrena una sola neurona para aprender la puerta AND con una tasa de aprendizaje y un bucle corto de actualización de pesos, luego imprime los pesos y el sesgo. Usa Python puro, sin bibliotecas ni números aleatorios, por lo que cada ejecución da el mismo resultado. Ejecútalo con Shell, cambia el número de épocas y ejecútalo de nuevo para ver qué cambia en los pesos impresos.
Antes de que se cambie algo, Sigmora lee. read_file abre tu script de entrenamiento, list_dir muestra la carpeta de datos y grep encuentra las líneas que definen las capas, la pérdida y el bucle. Ves el texto del archivo en la tarjeta, para que puedas comparar los tamaños de las capas con la forma de tus datos. El agente no cambia nada en esta etapa. Los modelos de redes neuronales de puertas lógicas, como el archivo AND anterior, son el primer ejercicio clásico, y el mismo paso de lectura sirve para una red neuronal desde cero en Python que escribiste el mes pasado y ya no recuerdas. Pide cualquier bloque en palabras simples, o cambia a Plan only si quieres una explicación escrita y ninguna acción. Lee cada explicación junto al código y verifica que coincida con lo que escribiste.
Elige Auto-run para una ejecución en la que confíes, o Ask first si quieres aprobar las acciones que cambian algo. Shell inicia tu comando de entrenamiento, por ejemplo python perceptron_and.py, en el entorno que elegiste, y la tarjeta muestra la salida real y el código de salida. Expande la tarjeta para leer el registro completo de tu script de red neuronal convolucional en Python línea por línea. El entrenamiento puede tardar lo que tarde, y Sigmora no lo acelera. Cuando la pérdida no converge en una red neuronal, el registro es donde lo ves primero. Mira los números, no solo el código de salida, porque un código de salida cero solo significa que el script terminó. Luego decide si el código necesita un cambio, y pide el diff solo si es así.
edit_file cambia el script y muestra un diff. En el modo Ask first no se escribe nada hasta que aceptas el diff, mientras que Auto-run aplica el cambio de inmediato. Un error de forma suele significar que los datos y la primera capa no coinciden, por lo que la solución suele ser un solo número. Una pérdida que apenas se mueve puede apuntar a la tasa de aprendizaje, a etiquetas que no coinciden con los datos, o a un modelo que aún no puede sobreajustar un lote pequeño. Prueba ese lote pequeño primero. El sobreajuste y el subajuste son problemas diferentes, así que mira la pérdida de entrenamiento y validación antes de cambiar algo grande. Construir una red neuronal para ajedrez es un proyecto más grande, pero comienza de la misma manera. Después de la edición, ejecuta el comando de nuevo con Shell y compara los nuevos números con los antiguos.
Para comparar ejecuciones necesitas números en un archivo. write_file crea un archivo CSV en tu carpeta de trabajo, o append_file añade una fila por época, y read_file lo carga de nuevo para que el agente pueda poner 2 ejecuciones lado a lado. Sigmora no analiza los datos por ti; guarda los números y los muestra, y tú decides qué significan. Mantén los datos de validación separados de los datos de entrenamiento y deja el conjunto de prueba intacto hasta el final. El modo Plan only puede escribir el siguiente experimento como un plan sin ejecutar nada. Cuando estés listo, cambia el modo y deja que el agente lo ejecute. Antes de guardar un resultado, abre el archivo CSV y verifica que las filas coincidan con lo que imprimió la tarjeta y que cada columna esté etiquetada.
