Создайте нейросеть с нуля, шаг за шагом, небольшими файлами

Возможности

• Файлыread_file, write_file, edit_file, move_file, copy_file, list_dir, grep и glob работают в рабочей папке чата; счетчик показывает количество созданных, отредактированных и прочитанных файлов.
• Shellвыполняет команды терминала, такие как ваша команда обучения и тесты, в Windows, WSL или через SSH, и сообщает реальный код выхода. Опасные команды заблокированы.
• Вебweb_search ищет в интернете, а http_get читает одну страницу документации, чтобы агент мог найти значение сообщения об ошибке.
• Скриншоты и изображенияgen_image сохраняет реальные файлы изображений, а ocr считывает текст с сохраненного скриншота, например числа на графике потерь, который вы сделали.
• Оркестрацияtask запускает параллельных субагентов, run_on_model отправляет сложный шаг более крупной модели, а skill сохраняет повторно используемый план действий, который можно запустить снова.
• Режимы одобренияAuto-run действует сразу, Ask first приостанавливается перед действиями, изменяющими что-либо, и показывает diff для принятия, а Plan only пишет план и ничего не запускает.
• Cronзапускает промпт по расписанию, например, чтобы каждую ночь перезапускать небольшой эксперимент и записывать его потери в CSV-файл, который вы прочитаете на следующий день.
• Моделиподключите облачную модель через стандартный API-эндпоинт или модель на вашем собственном ПК, или используйте встроенную модель, которая готова к работе без вашего собственного эндпоинта.

Пошаговые руководства

Написание перцептрона на чистом Python

Понимание перцептрона — первый шаг, когда вы хотите создавать нейронные сети с нуля в Python. Вы просите создать небольшой файл, и write_file создает обычный Python-файл с крошечным списком примеров и одним нейроном, который обучается вентилю И с фиксированной скоростью обучения в коротком цикле обновления весов. Shell запускает его на вашем ПК и выводит веса в карточке чата вместе с реальным кодом выхода. Если вам нужна помощь с вашей первой нейронной сетью, начните с одного нейрона. Фреймворк не нужен, а файл достаточно короткий, чтобы прочитать его за один раз. В режиме Ask first вы читаете новый файл в карточке и принимаете его перед сохранением, затем самостоятельно проверяете выведенные веса.

Поиск и уменьшение переобучения

Переобучение проявляется, когда потери при обучении продолжают падать, а потери на отдельной проверочной выборке перестают улучшаться или растут. grep ищет в ваших логах оба столбца потерь, а read_file открывает скрипт обучения, чтобы агент мог увидеть размер модели и любые настройки регуляризации. Общие способы устранения — больше данных, меньшая модель, регуляризация или ранняя остановка. Делайте каждый эксперимент небольшим и воспроизводимым, чтобы изменение в числах имело одну четкую причину. С edit_file вы получаете diff для проверки, и в режиме Ask first ничего не сохраняется до вашего одобрения. Затем Shell повторно запускает вашу тестовую команду и возвращает код выхода, а вы сравниваете потери на проверочной выборке до и после изменения на данных, которые модель не видела, оставив тестовую выборку нетронутой до конца.

Исправление ошибки входной формы

Ошибка входной формы означает, что данные, подаваемые в сеть, не соответствуют первому слою, поэтому ваш скрипт останавливается с сообщением об ошибке, которое указывает на 2 формы, которые не удалось сопоставить. Входная форма для нейронных сетей должна соответствовать данным, а выходная форма должна соответствовать количеству меток. Агент открывает ваш код нейронной сети в Python с помощью read_file, использует grep для поиска определений слоев и места, где батчи изменяют форму, и предлагает однострочное изменение с edit_file. Plan only ничего не запускает, поэтому сначала используйте его, чтобы прочитать объяснение. Затем переключитесь на Ask first, примите diff, позвольте Shell повторно запустить скрипт и самостоятельно прочитайте выведенные формы, а не доверяйте только коду выхода.

Логирование метрик обучения в CSV-файл

Для сравнения экспериментов вам нужны потери каждой эпохи в файле, а не только на экране. write_file создает лог потерь, или append_file добавляет одну строку после каждой эпохи, а read_file находит место в вашем скрипте, где рассчитываются потери. edit_file добавляет строки логирования и показывает diff. Shell запускает вашу команду обучения и возвращает реальный вывод и код выхода в карточке чата. Ask first приостанавливается перед изменением скрипта, поэтому вы можете сначала прочитать новые строки в карточке. Откройте CSV-файл позже, поместите 2 запуска рядом и отметьте, какие настройки вы изменили, прежде чем сохранить изменение. Файл представляет собой обычный текст в вашей рабочей папке, и read_file может загрузить его снова в следующем чате, чтобы продолжить с того места, где вы остановились.