Створіть нейронну мережу з нуля, по одному невеликому файлу за раз

Функції

• Файлиread_file, write_file, edit_file, move_file, copy_file, list_dir, grep та glob працюють у робочій папці чату; лічильник показує кількість створених, відредагованих і прочитаних файлів.
• Shellзапускає команди терміналу, такі як ваша команда тренування та тести, у Windows, WSL або через SSH, і повідомляє реальний код виходу. Небезпечні команди заблоковано.
• Вебweb_search шукає в Інтернеті, а http_get читає одну сторінку документації, тому агент може знайти значення повідомлення про помилку.
• Знімки екрана та зображенняgen_image зберігає реальні файли зображень, а ocr читає текст із збереженого знімка екрана, наприклад числа на графіку втрат, який ви зробили.
• Оркестраціяtask запускає паралельних субагентів, run_on_model надсилає жорсткий крок до більшої моделі, а skill зберігає багаторазовий план дій, який можна запустити знову.
• Режими затвердженняAuto-run діє миттєво, Ask first робить паузу перед діями, що щось змінюють, і показує diff для прийняття, а Plan only пише план і нічого не запускає.
• Cronзапускає промпт за розкладом, наприклад, щоб щоночі повторно запускати невеликий експеримент і записувати його втрати у файл CSV, який ви прочитаєте наступного дня.
• Моделіпідключіть хмарну модель через стандартний API-ендпоінт або модель на вашому ПК, або скористайтеся вбудованою моделлю, яка готова без вашого власного ендпоінту.

Посібники

Написати перцептрон на чистому Python

Розуміння перцептрона — це перший крок, коли ви хочете створювати нейронні мережі з нуля в Python. Ви просите невеликий файл, і write_file створює звичайний Python-файл із невеликим списком прикладів та одним нейроном, який вивчає вентиль AND із фіксованою швидкістю навчання в короткому циклі оновлення ваг. Shell запускає його на вашому ПК і друкує ваги в картці чату разом із реальним кодом виходу. Якщо вам потрібна допомога з вашою першою нейронною мережею, почніть з одного нейрона. Жодна фреймворк не потрібна, а файл короткий і достатній, щоб прочитати за один раз. У режимі Ask first ви читаєте новий файл у картці та приймаєте його перед збереженням, а потім самостійно перевіряєте надруковані ваги.

Знайти та зменшити переосвітлення

Переосвітлення проявляється, коли втрата під час тренування продовжує знижуватися, тоді як втрата на окремих валідаційних даних перестає покращуватися або зростає. grep шукає ваш лог за обома стовпцями втрат, а read_file відкриває скрипт тренування, щоб агент міг побачити розмір моделі та будь-які налаштування регуляризації. Поширені виправлення — більше даних, менша модель, регуляризація або раннє зупинення. Зберігайте кожен експеримент невеликим і повторюваним, щоб зміна в числах мала одну чітку причину. За допомогою edit_file ви отримуєте diff для перегляду, а в режимі Ask first нічого не зберігається, доки ви не приймете його. Shell потім повторно запускає вашу тестову команду та повертає код виходу, а ви порівнюєте втрату валідації до і після зміни на даних, які модель не бачила, залишаючи тестовий набір недоторканим до кінця.

Виправити помилку розмірності входу

Помилка розмірності входу означає, що дані, що подаються до мережі, не відповідають першому шару, тому ваш скрипт зупиняється з повідомленням про помилку, яке називає 2 розмірності, які не вдалося зіставити. Розмірність входу для нейронних мереж має відповідати даним, а розмірність виходу має відповідати кількості міток. Агент відкриває ваш код нейронної мережі в Python за допомогою read_file, використовує grep для пошуку визначень шарів та місця, де батчі формуються, і пропонує одновірковий зміну за допомогою edit_file. Plan only нічого не запускає, тому спочатку використовуйте його, щоб прочитати пояснення. Потім переключіться на Ask first, прийміть diff, дозвольте Shell повторно запустити скрипт і прочитайте надруковані розмірності самостійно, а не довіряйте лише коду виходу.

Логувати метрики тренування у файл CSV

Для порівняння експериментів вам потрібна втрата кожної епохи у файлі, а не лише на екрані. write_file створює лог втрат, або append_file додає один рядок після кожної епохи, а read_file знаходить місце у вашому скрипті, де обчислюється втрата. edit_file додає рядки логування та показує diff. Shell запускає вашу команду тренування та повертає реальний вивід і код виходу в картці чату. Ask first робить паузу перед зміною скрипта, тому ви можете спочатку прочитати нові рядки в картці. Відкрийте файл CSV після цього, поставте 2 запуски поруч і запишіть, які налаштування ви змінили, перш ніж прийняти зміну. Файл є звичайним текстом у вашій робочій папці, і read_file може завантажити його знову в наступному чаті, щоб продовжити з того місця, де ви зупинилися.