2.9.26
Sortie le 2 nov. 2026
Site officiel Sigmora
Neural network training agent pour Windows
Sigmora est un agent pour Windows qui modifie votre code Python d'entraînement, l'exécute et affiche le résultat réel de chaque étape. La version 2.9.26 fonctionne sur vos propres fichiers et votre matériel.
Lisez le journal d'entraînement, trouvez l'erreur et corrigez le problème de forme dans la définition du modèle.
- read_file
train.pychargé - grep
ValueError1 correspondance - edit_file
train.pysauvegardé - Shell
python train.pyexit 0 - read_file
loss.csv10 lignes
en attente de votre validation avant l’étape suivanteRejeterAccepter
34 Mo
Téléchargement du programme d'installation
Send feedback
Bouton dans l'application
13
Langues de l'interface
SHA-256
Vérifier le hachage de l'installateur
Auto
Le bouton de mise à jour apparaît
Neural network training sur vos propres données
Le neural network training consiste à ajuster les poids jusqu'à ce que la valeur de perte diminue sur vos données d'entraînement. Votre code fait le travail. Sigmora lit vos scripts, les modifie, exécute votre commande d'entraînement via Shell et affiche chaque résultat sous forme de carte dans le chat. En mode Ask first, vous approuvez chaque modification avant qu'elle ne soit appliquée. La version 2.9.26 fonctionne sous Windows 10 et 11.
Corriger une erreur de forme dans le code Python du réseau neuronal
Un script s'arrête. Il échoue avec une erreur de forme avant la fin de la première époque. Dans la version 2.9.26, Sigmora utilise grep pour trouver la ligne d'erreur dans votre journal, read_file pour ouvrir train.py, et edit_file pour modifier la taille de la couche qui ne correspond pas à vos étiquettes. Le diff apparaît sous forme de carte, et en mode Ask first, vous l'acceptez ou le rejetez avant que le fichier ne soit modifié. Shell exécute ensuite votre commande d'entraînement et renvoie le code de sortie réel, qui indique simplement que le script s'est terminé sans erreur.
Trace des outils
grep ValueError → 1 match
read_file train.py → loaded
edit_file train.py → saved
Shell python train.py → exit 0Surveiller la perte lors de l'exécution d'un réseau neuronal par rétropropagation
Vous souhaitez obtenir la perte de chaque époque dans un seul fichier. Shell lance votre commande d'entraînement dans l'environnement que vous avez choisi, et la sortie réelle apparaît dans le chat. grep extrait les lignes de perte du journal, et write_file les enregistre sous forme de loss.csv dans votre dossier de travail, afin que 2 exécutions puissent être comparées ultérieurement. Dans un réseau neuronal, chaque lot nécessite un passage avant et un passage arrière, et la perte issue du passage avant est celle qui finit dans le fichier CSV. Ask first fait une pause à ce stade.
Trace des outils
Shell python train.py → exit 0
grep loss → 10 matches
write_file loss.csv → savedModifier les couches de l'architecture d'un réseau neuronal
Vous souhaitez une disposition différente de couches avant la prochaine exécution. edit_file propose les nouvelles tailles de couches dans votre fichier de modèle et affiche un diff, et en mode Ask first, rien n'est écrit jusqu'à ce que vous l'acceptiez. Shell exécute ensuite un petit lot à travers le modèle et affiche la forme de la sortie. Comparez-la avec vos étiquettes. Si les 2 nombres diffèrent, demandez une autre modification. Une exécution réussie montre simplement que le script a tourné, vous jugez donc vous-même l'architecture.
Repérer le surajustement dans une expérience d'entraînement
La perte d'entraînement continue de diminuer, mais la perte de validation commence à augmenter. C'est ainsi que l'on détecte le surajustement de votre modèle. Regardez les deux colonnes. Sigmora utilise grep pour extraire les 2 colonnes de perte de votre journal, et edit_file affiche le diff pour un changement que vous demandez, comme un modèle plus petit ou un arrêt anticipé dans votre propre script. En mode Ask first, vous l'approuvez, puis Shell relance le script, et vous comparez la perte de validation avant et après sur des données que le modèle n'a pas vues.
En quoi Sigmora diffère d'un assistant chat typique
Un assistant chat décrit une commande, tandis que Sigmora 2.9.26 l'exécute et affiche ce qui s'est réellement passé dans la carte de sortie. Vous décidez de ce qui s'exécute.
| Assistant chat typique | Sigmora | |
|---|---|---|
| Édition de fichiers | Écrit du code dans le chat | Modifie le fichier et affiche un diff |
| Exécution de commande | Décrit une commande | L'exécute et renvoie le code de sortie |
| Mode d'approbation | Pas d'étape d'approbation | Ask first fait une pause avant les modifications |
| Point de terminaison du modèle | Défini par le service de chat | Votre point de terminaison, vérifié avec Test |
Comment démarrer avec Sigmora
- Téléchargez le programme d'installation de 34 Mo pour Windows 10 ou 11.
- Exécutez l'installateur et ouvrez Sigmora.
- Connectez votre point de terminaison de modèle ou utilisez le modèle intégré.
- Commencez un chat, nommez votre script d'entraînement et choisissez Auto-run, Ask first ou Plan only.
Qui utilise Sigmora pour l'entraînement
Les débutants écrivant leur premier réseau sont le premier public. Quelle fonction de perte convient à un premier projet est une question légitime, donc l'agent peut exécuter le même script avec chaque choix et afficher les nombres côte à côte pendant que vous les lisez. Commencez par quelque chose de petit. Python doit être installé là où la commande s'exécute.
Les praticiens qui déboguent les boucles d'entraînement sont le deuxième public. Shell exécute votre commande d'entraînement sur votre PC, dans WSL ou via SSH sur votre propre serveur GPU, et renvoie la sortie réelle et le code de sortie. Vous choisissez l'environnement. grep et read_file localisent la ligne défaillante, et edit_file affiche le diff en premier.
Les chercheurs comparant des expériences sont le troisième public. Lorsque vous vous demandez quel rôle joue le taux d'apprentissage, l'agent peut relancer le script avec 2 valeurs et écrire les 2 courbes de perte dans un fichier CSV. Gardez chaque exécution petite. Vous lisez les résultats et décidez de ce qu'ils signifient sur des données que le modèle n'a pas vues.
Questions fréquemment posées
Qu'est-ce que le neural network training ?
L'entraînement est le processus d'ajustement des poids d'un réseau afin que la valeur de perte, qui mesure l'erreur de ses prédictions, diminue sur les données d'entraînement. Chaque étape exécute un passage avant, un calcul de perte, une rétropropagation et une mise à jour de l'optimiseur. Votre code Python fait ce travail, pas Sigmora. Surveillez également la perte de validation.
neuralnetworkz.com est-il le site officiel de Sigmora ?
Oui, neuralnetworkz.com est le site officiel de Sigmora. Le bouton de téléchargement fournit le programme d'installation, d'environ 34 Mo, et enregistre l'heure, l'adresse IP, l'agent utilisateur du navigateur et la source de référence avant de vous envoyer vers l'installateur. Comparez la somme de contrôle SHA-256 avec le manifeste publié. Vérifiez-le d'abord. Signalez les problèmes avec le bouton Send feedback dans l'application.
Comment Sigmora gère-t-il la confidentialité ?
Les chats, les dossiers de travail et les clés API restent sur votre PC, et les secrets dans la sortie des outils sont masqués avant d'atteindre le modèle. Les invites, y compris le texte des fichiers que l'agent lit, ne vont qu'au point de terminaison du modèle que vous choisissez. Avec un modèle local, rien ne quitte la machine. Il n'y a pas de télémétrie.
Qu'est-ce que la rétropropagation dans un réseau neuronal ?
La rétropropagation est l'étape qui calcule la contribution de chaque poids à la perte, ce qui donne les gradients. L'optimiseur utilise ensuite ces gradients et le taux d'apprentissage pour modifier les poids. Sigmora ne fait pas cela lui-même ; il exécute votre script d'entraînement et affiche la perte imprimée sous forme de carte dans le chat. Lisez les nombres.
Sigmora fonctionne-t-il avec des modèles locaux ?
Oui, vous pouvez connecter un modèle qui s'exécute sur votre propre PC via un point de terminaison local, et alors rien de ce que vous envoyez ne quitte la machine. Avec un modèle cloud, vos invites vont à ce fournisseur. Le bouton Test vérifie un point de terminaison et affiche son temps de réponse et sa fenêtre contextuelle. Appuyez sur Test d'abord.
Qu'est-ce qu'un tutoriel sur les réseaux neuronaux ?
Un tutoriel sur les réseaux neuronaux est une explication étape par étape de la manière de construire et d'entraîner un réseau, généralement en écrivant vous-même le passage avant, la perte et la mise à jour des poids. Sigmora peut écrire un petit fichier d'exemple, le lancer et afficher le diff avant que la modification ne soit appliquée en mode Ask first. Lisez chaque ligne.
Comment vérifier le téléchargement ?
Le téléchargement est vérifié en exécutant certutil -hashfile sur le fichier téléchargé avec SHA256 et en comparant le résultat avec la valeur SHA-256 dans le manifeste publié. L'installateur n'est pas encore signé numériquement, donc Windows SmartScreen peut avertir. Choisissez Plus d'informations et Exécuter quand même uniquement après que la somme de contrôle corresponde. Correspondance d'abord, puis exécution.
Lancez votre premier script d'entraînement avec Sigmora
Sigmora 2.9.26 exécute vos scripts Python, modifie vos fichiers et affiche chaque résultat sous forme de carte dans le chat ; le programme d'installation de 34 Mo est destiné à Windows 10 ou 11. Commencez petit.
Télécharger Sigmora pour Windows ↗Explorer davantage
Chaque page de ce site est disponible en 20 langues.
Fonctionnalités du produit ↗ Configuration du modèle ↗ Exemples de workflows ↗ Télécharger l'installateur ↗ FAQ ↗ Politique de confidentialité ↗
