when-debugging-ml-training-use-ml-training-debugger
تصحيح مشاكل تدريب نماذج التعلم الآلي وتحسين الأداء
قد يفشل تدريب نماذج التعلم الآلي بصمت مع مشاكل مثل تباعد الخسارة، وقيم NaN، والإفراط في التوفيق، ومشاكل التدرجات. توفر هذه المهارة سير عمل منهجي من 5 مراحل لتشخيص الأسباب الجذرية، وتطبيق الإصلاحات، والتحقق من التحسينات باستخدام تقنيات مثبتة.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "when-debugging-ml-training-use-ml-training-debugger". مصنف CNN الخاص بي لديه دقة تدريب 98 بالمائة ولكن دقة التحقق 55 بالمائة بعد 50 حقبة. ساعدني في إصلاح هذا الإفراط في التوفيق.
Erwartetes Ergebnis:
- المشكلة المحددة: الإفراط في التوفيق مع فجوة بين التدريب والتحقق بنسبة 43 بالمائة
- السبب الجذري: النموذج معقد جدًا بالنسبة لحجم البيانات، تنظيم غير كافٍ
- الإصلاحات المطبقة: إضافة L2 regularization عند 0.01، Dropout عند 0.3 بعد الطبقات الكثيفة
- قبل: خسارة التحقق 2.1، دقة التحقق 55 بالمائة | بعد: خسارة التحقق 0.8، دقة التحقق 82 بالمائة
- التحسين: انخفاض نسبي بنسبة 49 بالمائة في خسارة التحقق
Verwendung von "when-debugging-ml-training-use-ml-training-debugger". خسارة نموذج المحول الخاص بي أصبحت NaN في الحقبة 15. كان التدريب يعمل بشكل جيد قبل ذلك.
Erwartetes Ergebnis:
- المشكلة المحددة: خسارة NaN في الحقبة 15
- السبب الجذري: عدم استقرار رقمي ربما بسبب قيم متطرفة أو معدل تعلم عالٍ
- الإصلاحات المطبقة: إضافة gradient clipping مع clipnorm 1.0، تقليل معدل التعلم بمقدار 10 أضعاف
- بعد الإصلاح: تقارب التدريب بنجاح مع خسارة التحقق النهائية 0.3
- التوصية: تحقق من بيانات الإدخال بحثًا عن قيم NaN أو لا نهائية في المعالجة المسبقة
Sicherheitsaudit
SicherDocumentation-only skill containing example Python code snippets for ML training debugging. No executable scripts, network calls, filesystem access, or external commands. Pure educational content matching stated purpose. All 47 static findings are false positives.
Risikofaktoren
⚡ Enthält Skripte
🌐 Netzwerkzugriff
📁 Dateisystemzugriff
🔑 Umgebungsvariablen
⚙️ Externe Befehle
Qualitätsbewertung
Was du bauen kannst
إصلاح عمليات التدريب المعطلة
تشخيص سبب انفجار خسارة التدريب إلى NaN أو توقف التقارب بشكل غير متوقع
تقليل الإفراط في التوفيق
تحديد وإصلاح النماذج التي تؤدي بشكل جيد على بيانات التدريب ولكن بشكل سيئ على التحقق
تحسين أداء النموذج
تحسين استقرار التدريب وسرعة التقارب بشكل منهجي لمشاريع التعلم العميق
Probiere diese Prompts
خسارة تدريب نموذجي أصبحت NaN بعد الحقبة 10. استخدم ml-training-debugger لتشخيص وإصلاح المشكلة.
نموذجي لديه دقة تدريب 95 بالمائة ولكن دقة التحقق فقط 60 بالمائة. استخدم ml-training-debugger لتحديد وإصلاح الإفراط في التوفيق.
خسارة التدريب لم تتغير في 50 حقبة. استخدم ml-training-debugger لتحليل معدل التقارب والتوصية بالإصلاحات.
صحح عملية التدريب الخاصة بي باستخدام training_history.json. شخص جميع المشاكل، وطبق الإصلاحات، وتحقق من التحسين مع المقارنة قبل وبعد.
Bewährte Verfahren
- احفظ سجل التدريب في كل حقبة لتمكين التشخيص اللاحق للمشاكل
- راقب التدرجات أثناء التدريب لاكتشاف مشاكل التلاشي أو الانفجار مبكرًا
- تحقق دائمًا من الإصلاحات من خلال عملية إعادة تدريب كاملة، وليس فقط بضع تكرارات
- استخدم جداول معدل التعلم ومكالمات الإيقاف المبكر كممارسة قياسية
Vermeiden
- التدريب دون حفظ السجل أو مراقبة مقاييس التحقق
- تجاهل خسارة التحقق مع تتبع تقدم خسارة التدريب فقط
- إجراء تغييرات متعددة في وقت واحد دون عزل المتغيرات للاختبار
- التدريب على بيانات غير كافية وتوقع نتائج تعميم جيدة