Construiește rețea neurală de la zero, câte un fișier mic pe rând

Funcționalități

• Fișiereread_file, write_file, edit_file, move_file, copy_file, list_dir, grep și glob funcționează în folderul de lucru al chat-ului; un contor arată fișierele create, editate și citite.
• Shellrulează comenzi de terminal, cum ar fi comanda de antrenament sau de test, în Windows, WSL sau prin SSH, și raportează codul de ieșire real. Comenzile periculoase sunt blocate.
• Webweb_search caută pe web, iar http_get citește o singură pagină de documentație, astfel încât agentul poate căuta semnificația unui mesaj de eroare.
• Capturi de ecran și imaginigen_image salvează fișiere imagine reale, iar ocr citește textul dintr-o captură de ecran salvată, de exemplu numerele de pe un grafic de pierdere pe care l-ai capturat.
• Orchestraretask lansează sub-agente în paralel, run_on_model trimite un pas critic unui model mai mare, iar skill stochează un playbook reutilizabil pe care îl poți rula din nou.
• Moduri de aprobareAuto-run acționează imediat, Ask first se oprește înainte de acțiunile care modifică ceva și arată diferența pentru a accepta, iar Plan only scrie un plan și nu rulează nimic.
• Cronrulează un prompt la intervale stabilite, de exemplu pentru a relua un experiment mic în fiecare noapte și a scrie pierderea într-un fișier CSV pe care îl citești a doua zi.
• Modeleconectează un model cloud printr-un endpoint API standard sau un model de pe PC-ul tău, sau folosește modelul integrat, care este gata fără un endpoint personal.

Ghiduri pas cu pas

Scrie un perceptron în Python simplu

Înțelegerea perceptronului este primul pas când vrei să construiești rețele neuronale de la zero în Python. Ceri un fișier mic, iar write_file creează un fișier Python simplu cu o listă mică de exemple și un singur neuron care învață poarta AND cu o rată de învățare fixă într-o buclă scurtă de actualizare a ponderilor. Shell îl rulează pe PC-ul tău și tipărește ponderile în cardul chat-ului, împreună cu codul de ieșire real. Dacă ai nevoie de ajutor pentru prima ta rețea neurală, începe cu un singur neuron. Nu este nevoie de niciun framework, iar fișierul este suficient de scurt pentru a fi citit dintr-o singură dată. În modul Ask first, citești noul fișier în card și îl accepți înainte să fie salvat, apoi verifici singur ponderile tipărite.

Găsește și reduce overfitting-ul

Overfitting-ul apare când pierderea de antrenament continuă să scadă, în timp ce pierderea pe date separate de validare încetează să se îmbunătățească sau crește. grep caută în jurnalul tău ambele coloane de pierdere, iar read_file deschide scriptul de antrenament astfel încât agentul să poată vedea dimensiunea modelului și orice setări de regularizare. Remediile comune sunt mai multe date, un model mai mic, regularizarea sau oprirea devreme. Păstrează fiecare experiment mic și repetabil, astfel încât o modificare în numere să aibă un singur cauzal clar. Cu edit_file primești o diferență de revizuit, iar în modul Ask first nimic nu este salvat înainte să o accepți. Shell rulează din nou comanda de test și returnează codul de ieșire, iar tu compari pierderea de validare înainte și după modificare pe date pe care modelul nu le-a văzut, lăsând setul de test neschimbat până la final.

Repară o eroare de formă de intrare

O eroare de formă de intrare înseamnă că datele alimentate în rețea nu se potrivesc cu primul strat, astfel încât scriptul se oprește cu un mesaj de eroare care numește cele 2 forme care nu s-au potrivit. Forma de intrare pentru rețelele neuronale trebuie să se potrivească cu datele, iar forma de ieșire trebuie să se potrivească cu numărul de etichete. Agentul deschide codul tău de rețea neurală în Python cu read_file, folosește grep pentru a găsi definițiile straturilor și locul unde loturile sunt reformatate, și propune o modificare pe o singură linie cu edit_file. Plan only nu rulează nimic, așa că folosește-l mai întâi pentru a citi explicația. Apoi comută la Ask first, acceptă diferența, lasă Shell să ruleze din nou scriptul și citește singur formele tipărite în loc să ai încredere doar în codul de ieșire.

Loghează metricile de antrenament într-un fișier CSV

Pentru a compara experimentele, ai nevoie de pierderea fiecărei epoci într-un fișier, nu doar pe ecran. write_file creează un jurnal de pierderi, sau append_file adaugă un rând după fiecare epocă, iar read_file localizează locul din scriptul tău unde se calculează pierderea. edit_file adaugă liniile de jurnalizare și arată o diferență. Shell rulează comanda de antrenament și returnează ieșirea reală și codul de ieșire în cardul chat-ului. Ask first se oprește înainte ca scriptul să fie modificat, astfel încât să poți citi mai întâi noile linii în card. Deschide fișierul CSV ulterior, pune 2 rulări unul lângă altul și notează ce setări ai modificat înainte să păstrezi modificarea. Fișierul este text simplu în folderul tău de lucru, iar read_file îl poate încărca din nou în chat-ul următor pentru a continua de unde te-ai oprit.