Crea una rete neurale da zero, un piccolo file alla volta

Funzionalità

• Fileread_file, write_file, edit_file, move_file, copy_file, list_dir, grep e glob funzionano nella cartella di lavoro della chat; un contatore mostra i file creati, modificati e letti.
• Shellesegue comandi terminal come il comando di addestramento e i test, su Windows, WSL o tramite SSH, e riporta il codice di uscita reale. I comandi pericolosi sono bloccati.
• Webweb_search cerca sul web e http_get legge una pagina di documentazione, così l'agente può cercare il significato di un messaggio di errore.
• Screenshot e immaginigen_image salva file immagine reali e ocr legge il testo da uno screenshot salvato, ad esempio i numeri su un grafico della perdita che hai catturato.
• Orchestrazionetask esegue sotto-agenti in parallelo, run_on_model invia un passaggio critico a un modello più grande e skill memorizza un playbook riutilizzabile che puoi eseguire di nuovo.
• Modalità di approvazioneAuto-run agisce subito, Ask first si ferma prima delle azioni che modificano qualcosa e mostra il diff per accettare, e Plan only scrive un piano ed esegue nulla.
• Cronesegue un prompt su un programma, ad esempio per rieseguire un piccolo esperimento ogni notte e scrivere la perdita in un file CSV che leggi il giorno dopo.
• Modelliconnetti un modello cloud tramite un endpoint API standard o un modello sul tuo PC, oppure usa il modello integrato, pronto senza il tuo endpoint.

Guide passo-passo

Scrivi un perceptrone in Python puro

Comprendere il perceptrone è il primo passo quando vuoi costruire reti neurali da zero in Python. Chiedi un piccolo file e write_file crea un file Python puro con un piccolo elenco di esempi e un neurone che impara la porta AND con un tasso di apprendimento fisso in un breve ciclo di aggiornamento dei pesi. Shell lo esegue sul tuo PC e stampa i pesi nella scheda della chat, insieme al codice di uscita reale. Se hai bisogno di aiuto per la tua prima rete neurale, inizia con un neurone. Non serve alcun framework e il file è abbastanza breve da leggere tutto in una volta. In modalità Ask first leggi il nuovo file nella scheda e accettilo prima che venga salvato, poi controlla i pesi stampati da solo.

Trova e riduci l'overfitting

L'overfitting si manifesta quando la perdita di addestramento continua a diminuire mentre la perdita su dati di validazione separati smette di migliorare o aumenta. grep cerca nei tuoi log entrambe le colonne della perdita e read_file apre lo script di addestramento così l'agente può vedere la dimensione del modello e le impostazioni di regolarizzazione. Le soluzioni comuni sono più dati, un modello più piccolo, regolarizzazione o early stopping. Mantieni ogni esperimento piccolo e ripetibile, così un cambiamento nei numeri ha una causa chiara. Con edit_file ottieni un diff da revisionare e in modalità Ask first nulla viene salvato prima che tu lo accetti. Shell poi riesegue il comando di test e restituisce il codice di uscita, e tu confronti la perdita di validazione prima e dopo la modifica su dati non visti dal modello, lasciando il set di test intatto fino alla fine.

Correggi un errore di forma di input

Un errore di forma di input significa che i dati forniti alla rete non corrispondono al primo strato, quindi il tuo script si ferma con un messaggio di errore che indica le 2 forme che non ha potuto abbinare. La forma di input per le reti neurali deve corrispondere ai dati e la forma di output deve corrispondere al numero di etichette. L'agente apre il codice della tua rete neurale in Python con read_file, usa grep per trovare le definizioni degli strati e il punto in cui i batch vengono rimodellati, e propone una modifica su una riga con edit_file. Plan only non esegue nulla, quindi usalo prima per leggere la spiegazione. Poi passa ad Ask first, accetta il diff, lascia che Shell riesegui lo script e leggi le forme stampate da solo invece di fidarti solo del codice di uscita.

Registra le metriche di addestramento in un file CSV

Per confrontare gli esperimenti hai bisogno della perdita di ogni epoca in un file, non solo a schermo. write_file crea un log della perdita, o append_file aggiunge una riga dopo ogni epoca, e read_file individua il punto nel tuo script dove la perdita viene calcolata. edit_file aggiunge le righe di logging e mostra un diff. Shell esegue il comando di addestramento e restituisce l'output reale e il codice di uscita nella scheda della chat. Ask first si ferma prima che lo script venga modificato, così puoi leggere le nuove righe nella scheda prima. Apri il file CSV dopo, metti 2 esecuzioni fianco a fianco e nota quali impostazioni hai modificato prima di mantenere la modifica. Il file è testo puro nella tua cartella di lavoro e read_file può caricarlo di nuovo nella prossima chat per continuare da dove hai interrotto.