Bouw een neurale netwerk vanaf nul, bestand voor bestand

Functies

• Bestandenread_file, write_file, edit_file, move_file, copy_file, list_dir, grep en glob werken in de werkmap van de chat; een teller toont bestanden die zijn gemaakt, bewerkt en gelezen.
• Shellvoert terminalopdrachten uit, zoals je trainingsopdracht en tests, in Windows, WSL of via SSH, en rapporteert de echte exitcode. Gevaarlijke opdrachten worden geblokkeerd.
• Webweb_search doorzoekt het web en http_get leest één documentatiepagina, zodat de agent de betekenis van een foutmelding kan opzoeken.
• Screenshots en afbeeldingengen_image slaat echte afbeeldingsbestanden op, en ocr leest tekst van een opgeslagen screenshot, bijvoorbeeld de cijfers op een verliesgrafiek die je hebt vastgelegd.
• Orkestratietask voert parallelle sub-agents uit, run_on_model stuurt een harde stap naar een groter model, en skill slaat een herbruikbaar playbook op dat je opnieuw kunt uitvoeren.
• KeuringsmodiAuto-run handelt direct af, Ask first pauzeert voordat acties iets wijzigen en toont de diff om te accepteren, en Plan only schrijft een plan en voert niets uit.
• Cronvoert een prompt uit op een schema, bijvoorbeeld om elke nacht een klein experiment opnieuw uit te voeren en het verlies naar een CSV-bestand te schrijven dat je de volgende dag leest.
• Modellenverbind een cloudmodel via een standaard API-eindpunt of een model op je eigen pc, of gebruik het ingebouwde model, dat direct klaar is zonder je eigen eindpunt.

Uitleg

Schrijf een perceptron in gewone Python

Het perceptron begrijpen is de eerste stap als je neurale netwerken vanaf nul in Python wilt bouwen. Je vraagt om een klein bestand, en write_file maakt een gewoon Python-bestand met een kleine lijst voorbeelden en één neuron dat de AND-poort leert met een vaste leersnelheid in een korte lus van gewichtsupdates. Shell voert het uit op je pc en drukt de gewichten af in de chatkaart, samen met de echte exitcode. Als je hulp nodig hebt bij je eerste neurale netwerk, begin dan met één neuron. Er is geen framework nodig en het bestand is kort genoeg om in één keer te lezen. In Ask first-modus lees je het nieuwe bestand in de kaart en accepteer je het voordat het wordt opgeslagen, daarna controleer je de afgedrukte gewichten zelf.

Overfitting vinden en verminderen

Overfitting toont zich wanneer het trainingsverlies blijft dalen terwijl het verlies op aparte validatiedata stopt met verbeteren of stijgt. grep doorzoekt je logboek voor beide verlieskolommen, en read_file opent het trainingsscript zodat de agent de modelgrootte en eventuele regularisatie-instellingen kan zien. Veelvoorkomende oplossingen zijn meer data, een kleiner model, regularisatie of early stopping. Houd elk experiment klein en herhaalbaar, zodat een verandering in de cijfers één duidelijke oorzaak heeft. Met edit_file krijg je een diff om te beoordelen, en in Ask first-modus wordt niets opgeslagen voordat je het accepteert. Shell voert je testopdracht daarna opnieuw uit en retourneert de exitcode, en je vergelijkt het validatieverlies voor en na de wijziging op data die het model niet heeft gezien, met de testset ongemoeid tot het einde.

Een inputvormfout corrigeren

Een inputvormfout betekent dat de data die aan het netwerk wordt gevoerd niet overeenkomt met de eerste laag, dus je script stopt met een foutmelding die de 2 vormen noemt die niet overeenkwamen. De inputvorm voor neurale netwerken moet overeenkomen met de data, en de outputvorm moet overeenkomen met het aantal labels. De agent opent je neurale netwerkcode in Python met read_file, gebruikt grep om de laagdefinities en de plek waar batches worden herschikt te vinden, en stelt een wijziging van één regel voor met edit_file. Plan only voert niets uit, dus gebruik het eerst om de uitleg te lezen. Schakel daarna over naar Ask first, accepteer de diff, laat Shell het script opnieuw uitvoeren en lees de afgedrukte vormen zelf in plaats van alleen op de exitcode te vertrouwen.

Trainingsmetrieken loggen naar een CSV-bestand

Om experimenten te vergelijken heb je het verlies van elke epoch in een bestand nodig, niet alleen op het scherm. write_file maakt een verlieslogboek, of append_file voegt een rij toe na elke epoch, en read_file lokaliseert de plek in je script waar het verlies wordt berekend. edit_file voegt de logregels toe en toont een diff. Shell voert je trainingsopdracht uit en retourneert de echte uitvoer en exitcode in de chatkaart. Ask first pauzeert voordat het script wordt gewijzigd, zodat je de nieuwe regels eerst in de kaart kunt lezen. Open het CSV-bestand daarna, zet 2 runs naast elkaar en noteer welke instellingen je hebt gewijzigd voordat je de wijziging behoudt. Het bestand is platte tekst in je werkmap, en read_file kan het opnieuw laden in de volgende chat om daar verder te gaan waar je stopte.