Buduj sieć neuronową od zera, mały plik po pliku

Funkcje

• Plikiread_file, write_file, edit_file, move_file, copy_file, list_dir, grep i glob działają w folderze roboczym czatu; licznik pokazuje liczbę utworzonych, edytowanych i odczytanych plików.
• Shelluruchamia komendy terminalowe, takie jak Twoja komenda trenowania i testy, w Windows, WSL lub przez SSH, i raportuje rzeczywisty kod wyjścia. Niebezpieczne komendy są zablokowane.
• Siećweb_search wyszukuje informacje w internecie, a http_get czyta jedną stronę dokumentacji, dzięki czemu agent może sprawdzić znaczenie komunikatu o błędzie.
• Zrzuty ekranu i obrazygen_image zapisuje rzeczywiste pliki graficzne, a ocr odczytuje tekst ze zapisanego zrzutu ekranu, na przykład liczby z wykresu strat, który zrobiłeś.
• Orkiestracjatask uruchamia równoległe pod-agenty, run_on_model wysyła trudny krok do większego modelu, a skill przechowuje powtarzalny scenariusz, który możesz uruchomić ponownie.
• Tryby zatwierdzaniaAuto-run wykonuje akcję natychmiast, Ask first pauzuje przed działaniami zmieniającymi stan i pokazuje różnice do akceptacji, a Plan only tworzy plan i nic nie uruchamia.
• Cronuruchamia prompt według harmonogramu, na przykład ponowne uruchomienie małego eksperymentu każdej nocy i zapisanie jego straty do pliku CSV, który odczytasz następnego dnia.
• Modelepodłącz model z chmury przez standardowy punkt końcowy API lub model na Twoim własnym PC, lub użyj wbudowanego modelu, który jest gotowy bez Twojego własnego punktu końcowego.

Przewodniki

Napisz perceptron w czystym Pythonie

Zrozumienie perceptronu to pierwszy krok, gdy chcesz budować sieci neuronowe od zera w Pythonie. Prosisz o mały plik, a write_file tworzy czysty plik Pythona z małą listą przykładów i jednym neuronem, który uczy się bramki AND ze stałą szybkością uczenia się w krótkiej pętli aktualizacji wag. Shell uruchamia go na Twoim PC i wypisuje wagi w karcie czatu, razem z rzeczywistym kodem wyjścia. Jeśli potrzebujesz pomocy z pierwszą siecią neuronową, zacznij od jednego neuronu. Nie jest potrzebny żaden framework, a plik jest na tyle krótki, aby przeczytać go jednym razem. W trybie Ask first czytasz nowy plik w karcie i akceptujesz go przed zapisaniem, a następnie samodzielnie sprawdzasz wypisane wagi.

Znajdź i zmniejsz nadmierne dopasowanie

Nadmierne dopasowanie objawia się, gdy strata trenowania ciągle spada, podczas gdy strata na oddzielnych danych walidacyjnych przestaje się poprawiać lub rośnie. grep wyszukuje w Twoim logu obie kolumny strat, a read_file otwiera skrypt trenowania, aby agent mógł zobaczyć rozmiar modelu i dowolne ustawienia regularizacji. Powszechne środki zaradcze to więcej danych, mniejszy model, regularizacja lub wczesne zatrzymanie. Zachowaj każdy eksperyment mały i powtarzalny, aby zmiana w liczbach miała jeden wyraźny powód. Z edit_file otrzymujesz różnice do przeglądu, a w trybie Ask first nic nie jest zapisywane, dopóki go nie zaakceptujesz. Shell ponownie uruchamia Twoją komendę testową i zwraca kod wyjścia, a Ty porównujesz stratę walidacyjną przed i po zmianie na danych, których model nie widział, pozostawiając zestaw testowy nietknięty do końca.

Napraw błąd kształtu wejścia

Błąd kształtu wejścia oznacza, że dane podawane do sieci nie pasują do pierwszej warstwy, więc Twój skrypt zatrzymuje się z komunikatem o błędzie, który wymienia 2 kształty, których nie mógł dopasować. Kształt wejścia dla sieci neuronowych musi pasować do danych, a kształt wyjścia musi pasować do liczby etykiet. Agent otwiera Twój kod sieci neuronowej w Pythonie za pomocą read_file, używa grep do znalezienia definicji warstw i miejsca, w którym batche są przekształcane, i proponuje zmianę jednej linii z edit_file. Plan only nic nie uruchamia, więc użyj go najpierw, aby przeczytać wyjaśnienie. Następnie przełącz się na Ask first, zaakceptuj różnice, pozwól Shell ponownie uruchomić skrypt i samodzielnie przeczytaj wypisane kształty, zamiast ufać samemu kodowi wyjścia.

Loguj metryki trenowania do pliku CSV

Aby porównać eksperymenty, potrzebujesz straty każdej epoki w pliku, a nie tylko na ekranie. write_file tworzy log straty, lub append_file dodaje jeden wiersz po każdej epoce, a read_file lokalizuje miejsce w Twoim skrypcie, w którym obliczana jest strata. edit_file dodaje linie logowania i pokazuje różnice. Shell uruchamia Twoją komendę trenowania i zwraca rzeczywisty wynik i kod wyjścia w karcie czatu. Ask first pauzuje przed zmianą skryptu, więc możesz najpierw przeczytać nowe linie w karcie. Otwórz plik CSV później, umieść 2 uruchomienia obok siebie i zanotuj, jakie ustawienia zmieniłeś, zanim zachowasz zmianę. Plik jest zwykłym tekstem w Twoim folderze roboczym, a read_file może go ponownie załadować w następnym czacie, aby kontynuować tam, gdzie skończyłeś.