Estou estudando Deep Learning (IA) no fast.ai e guardo aqui minhas anotações.

Referências externas:

• Curso Fast AI
• Reforço matemática:
  • Khan Academy
  • Curso de álgebra linear computacional

1. Taxa de aprendizado (LR) muito alta;
2. Taxa de aprendizado muito baixa;
3. Número de iterações (epochs) muito alto;
4. Número de iterações muito baixo.

Learning rate padrão = 0.003. Pode ser alterada em max_lr:

learn.fit_one_cycle(1, max_lr=0.5)

Ajustes:

• Se sua perda na validação (valid_loss) está muito grande, sua LR está alta;
• Se sua perda no treino é maior que na validação: ou sua taxa de aprendizado (learning rate) está muito baixa ou o número de iterações (epochs);
• Não aumente tanto o número de epochs, ou seu modelo pode ficar treinado pra reconhecer apenas a sua fotografia e não qualquer fotografia daquele tipo
• O risco de treinar demais o modelo (e passar a reconhecer só suas fotos) é muito baixo. Isso pode ser percebido se seu erro caiu bem e depois começou a aumentar de novo durante as iterações

• Não há como definir quanto material é necessário pra um treino, só testando. Se treinar com muitas iterações e o erro começar a piorar sem antes ter chegado onde quer, e se não tiver com um dos quatro problemas mencionados, pode precisar de mais dados.
• Dados desproporcionais (muito mais dados de uma das classes) também funcionam, teste. Se não funcionar uma ideia é fazer over sampling, copiando os dados que tem pra aumentar.