Epoch

Makine öğreniminde (ML) bir epok, öğrenme algoritması aracılığıyla tüm eğitim veri kümesinin tam bir geçişini temsil eder. Modellerin verilerden örnekleri tekrar tekrar görerek öğrendiği yinelemeli sinir ağları (NN) eğitimi sürecinde temel bir kavramdır. Epok sayısı, modelin eğitim bilgilerinin tamamından kaç kez öğreneceğini belirleyen ve modelin nihai performansını ve kalitesini doğrudan etkileyen önemli bir parametredir.

Model Eğitiminde Dönemlerin Rolü

Model eğitiminin birincil amacı, bir modelin verilerden örüntüler öğrenmesini sağlamaktır. Bu, modelin tahminleri ile gerçek zemin gerçeği arasındaki hatayı ölçen bir kayıp fonksiyonunu en aza indirmek için model ağırlıkları olarak bilinen modelin dahili parametrelerini ayarlayarak elde edilir. Tek bir epok sırasında model her veri örneğini işler ve Stokastik Gradyan İnişi (SGD) gibi bir optimizasyon algoritması bu ağırlıkları günceller.

Bir modeli birden fazla dönem için eğitmek, parametrelerini yinelemeli olarak iyileştirmesini sağlar. Her geçişte model, teorik olarak, ister görüntü sınıflandırma ister nesne algılama olsun, görevinde daha iyi hale gelmelidir. Bu süreç PyTorch veya TensorFlow gibi popüler derin öğrenme çerçeveleri kullanılarak yönetilir.

Dönemler vs. Yinelemeler vs. Gruplar

Birbiriyle ilişkili olsa da bu terimler eğitim sürecinin farklı yönlerini tanımlar ve sıklıkla karıştırılır.

• Dönem: Modelin tüm eğitim veri setini gördüğü tam bir döngü.
• Parti Büyüklüğü: Tek bir iterasyonda kullanılan eğitim örneklerinin sayısı. Bellek kısıtlamaları nedeniyle, tüm veri kümesini bir kerede işlemek genellikle pratik değildir.
• Yineleme: Modelin ağırlıklarının tek bir güncellemesi. Bir yineleme, bir veri grubunun işlenmesini ve bir ileri ve geri geçiş(geriyeyayılma) gerçekleştirilmesini içerir.

Örneğin, bir veri kümesinde 10.000 görüntü varsa ve yığın boyutu 100 ise, bir epok 100 iterasyondan oluşacaktır (10.000 görüntü / yığın başına 100 görüntü).

Doğru Dönem Sayısının Belirlenmesi

Doğru epok sayısını seçmek, hiperparametre ayarlamanın kritik bir parçasıdır. İki yaygın sorundan kaçınmak için bir denge bulmayı içerir:

• Yetersiz Uyum: Bu durum, model yeterli sayıda epok için eğitilmediğinde ortaya çıkar. Verilerin altında yatan örüntüleri öğrenemez ve hem eğitim hem de test verilerinde düşük performans gösterir.
• Aşırı Uyum: Bu, model çok fazla dönem için eğitildiğinde meydana gelir. Gürültü de dahil olmak üzere eğitim verilerini "ezberlemeye" başlar ve yeni, görülmemiş verilere genelleme yeteneğini kaybeder. Eğitim setinde mükemmel doğruluğa sahip olsa da, doğrulama verilerindeki performansı zayıf olacaktır.

Aşırı uyumla mücadele etmek için yaygın bir teknik, modelin bir doğrulama kümesindeki performansı iyileşmeyi bıraktığında eğitimin durdurulduğu erken durdurmadır. İlerleme, TensorBoard gibi araçlar kullanılarak veya dönemler boyunca eğitim metriklerini görselleştirmeye yardımcı olan Ultralytics HUB gibi platformlar aracılığıyla izlenebilir.

Gerçek Dünyadan Örnekler

Epok kavramı derin öğrenme uygulamalarında evrenseldir.

1. Otonom Sürüş: Otonom bir araç için bir nesne algılama modeli Argoverse gibi büyük bir veri kümesi üzerinde eğitilir. Ultralytics YOLO11 gibi bir model 50-100 epok boyunca eğitilebilir. Her dönemden sonra, bir doğrulama kümesi üzerindeki performansı Ortalama Ortalama Kesinlik (mAP) gibi ölçütler kullanılarak ölçülür. Mühendisler, dağıtımdan önce en iyi hız ve doğruluk dengesini sunan epoktan modeli seçecektir.

2. Tıbbi Görüntü Analizi: Beyin taramalarında tümör tespiti için bir model, özel bir tıbbi görüntüleme veri kümesi üzerinde eğitilir. Bu tür veri kümelerinin küçük olabileceği göz önüne alındığında, model birkaç yüz epok için eğitilebilir. Aşırı uyumu önlemek için veri artırma gibi teknikler kullanılır ve doğrulama kaybı her epoktan sonra yakından izlenir. Bu, nihai modelin yeni hastalardan alınan taramalara iyi bir şekilde genelleştirilmesini sağlar. Bu tür kritik uygulamalarda başarı için yerleşik model eğitim ipuçlarını takip etmek çok önemlidir.