Crie uma rede neural do zero, um pequeno arquivo por vez

Recursos

• Arquivosread_file, write_file, edit_file, move_file, copy_file, list_dir, grep e glob funcionam na pasta de trabalho do chat; um contador mostra arquivos criados, editados e lidos.
• Shellexecuta comandos de terminal, como seu comando de treinamento e testes, no Windows, WSL ou via SSH, e relata o código de saída real. Comandos perigosos são bloqueados.
• Webweb_search pesquisa a web e http_get lê uma página de documentação, para que o agente possa consultar o significado de uma mensagem de erro.
• Capturas de tela e imagensgen_image salva arquivos de imagem reais, e ocr lê texto de uma captura de tela salva, por exemplo, os números em um gráfico de perda que você capturou.
• Orquestraçãotask executa sub-agentes em paralelo, run_on_model envia uma etapa crítica para um modelo maior, e skill armazena um playbook reutilizável que você pode executar novamente.
• Modos de aprovaçãoAuto-run atua imediatamente, Ask first pausa antes de ações que alteram algo e mostra o diff para aceitar, e Plan only escreve um plano e não executa nada.
• Cronexecuta um prompt em um agendamento, por exemplo, para reexecutar um pequeno experimento todas as noites e registrar sua perda em um arquivo CSV que você lê no dia seguinte.
• Modelosconecte um modelo em nuvem por meio de um endpoint de API padrão ou um modelo no seu próprio PC, ou use o modelo integrado, que está pronto sem seu próprio endpoint.

Tutoriais

Escreva um perceptron em Python puro

Entender o perceptron é o primeiro passo quando você deseja criar redes neurais do zero em Python. Você pede um arquivo pequeno, e write_file cria um arquivo Python simples com uma pequena lista de exemplos e um neurônio que aprende a porta AND com uma taxa de aprendizado fixa em um loop curto de atualização de pesos. Shell executa isso no seu PC e imprime os pesos no card do chat, junto com o código de saída real. Se precisar de ajuda com sua primeira rede neural, comece com um neurônio. Nenhuma framework é necessária, e o arquivo é curto o suficiente para ser lido de uma vez. No modo Ask first, você lê o novo arquivo no card e o aceita antes que seja salvo, então você verifica os pesos impressos você mesmo.

Encontre e reduza o overfitting

O overfitting aparece quando a perda de treinamento continua caindo enquanto a perda em dados de validação separados para de melhorar ou aumenta. grep pesquisa seu log por ambas as colunas de perda, e read_file abre o script de treinamento para que o agente possa ver o tamanho do modelo e quaisquer configurações de regularização. As soluções comuns são mais dados, um modelo menor, regularização ou early stopping. Mantenha cada experimento pequeno e repetível, para que uma mudança nos números tenha uma causa clara. Com edit_file, você obtém um diff para revisar, e no modo Ask first nada é salvo antes de você aceitá-lo. Shell então reexecuta seu comando de teste e retorna o código de saída, e você compara a perda de validação antes e depois da mudança em dados que o modelo não viu, com o conjunto de teste deixado intacto até o final.

Corrigir um erro de forma de entrada

Um erro de forma de entrada significa que os dados alimentados na rede não correspondem à primeira camada, então seu script para com uma mensagem de erro que nomeia as 2 formas que não puderam ser correspondidas. A forma de entrada para redes neurais deve corresponder aos dados, e a forma de saída deve corresponder ao número de rótulos. O agente abre seu código de rede neural em Python com read_file, usa grep para encontrar as definições das camadas e o local onde os lotes são remodelados, e propõe uma alteração de uma linha com edit_file. Plan only não executa nada, então use-o primeiro para ler a explicação. Depois, mude para Ask first, aceite o diff, deixe o Shell reexecutar o script e leia as formas impressas você mesmo em vez de confiar apenas no código de saída.

Registrar métricas de treinamento em um arquivo CSV

Para comparar experimentos, você precisa da perda de cada epoch em um arquivo, não apenas na tela. write_file cria um log de perda, ou append_file adiciona uma linha após cada epoch, e read_file localiza o local no seu script onde a perda é calculada. edit_file adiciona as linhas de registro e mostra um diff. Shell executa seu comando de treinamento e retorna a saída real e o código de saída no card do chat. Ask first pausa antes que o script seja alterado, para que você possa ler as novas linhas no card primeiro. Abra o arquivo CSV depois, coloque 2 execuções lado a lado e anote quais configurações você alterou antes de manter a alteração. O arquivo é texto simples na sua pasta de trabalho, e read_file pode carregá-lo novamente no próximo chat para continuar onde você parou.