Este artículo fue traducido mediante Google Translate.
Descripción general
En esta sección es donde configura qué modelo Vision Transformer (ViT) se utilizará para sus predicciones y determina la cantidad de veces que su conjunto de datos pasará por el algoritmo para realizar ajustes locales, ajustando los modelos generales a su dominio local. Este parámetro se conoce como número de épocas.
Una incrustación de visión es una representación visual de espacio latente multidimensional de las relaciones entre los datos de características de entrada, lo que facilita ver patrones y comprender las relaciones en los datos. Este paso es un ejercicio de reducción de la dimensión de los datos que, en general, podría ser comparable a un Análisis de Componentes Principales (PCA). En este proceso, sus características de entrada se traducirán en 24 dimensiones que ayudarán al algoritmo a realizar mejores predicciones.
Siga leyendo para obtener más contexto y explicaciones sobre lo que implica este paso.
Conceptos clave por parámetro
Parámetro: Modelo de transformador de visión
Vision Transformer procesa, incrusta, codifica y clasifica las características de entrada, lo que permite realizar una predicción para cada parche (cuadrícula de píxeles).
Los modelos Vision Transformer disponibles son para tipos de sistemas minerales específicos, incluido un modelo general que se puede utilizar si no hay un modelo disponible para su sistema mineral objetivo.
Elegir el modelo de transformador de visión correcto, ya sea especializado para un tipo de sistema mineral específico o utilizando el modelo general, permite la alineación de las características de los datos, una mayor precisión de la predicción y reduce el riesgo de sobreajuste.
Si no está seguro de qué modelo Vision Transformer usar, comience con Master_Model.pt.
Si desea utilizar un modelo no entrenado, utilice la opción Ninguno. Esto es útil en el caso de que su depósito sea extremadamente específico para su ubicación.
Parámetro: No. de Épocas
Establecer el número de épocas controla el número de pasadas completas a través de los datos de entrenamiento.
Épocas bajas: menos épocas dan como resultado un tiempo de entrenamiento más corto. Esto puede ser suficiente si el modelo aprende rápidamente de los datos, pero se corre el riesgo de que no se ajuste adecuadamente, es decir, que el modelo no capture todos los patrones en el conjunto de datos.
Épocas altas: más épocas proporcionan más ciclos de entrenamiento, lo que potencialmente mejora el rendimiento del modelo. Sin embargo, después de cierto punto, es posible que las épocas adicionales ya no mejoren la precisión.
Puede resultar beneficioso aumentar el número de épocas si su modelo no ha convergido completamente (es decir, la pérdida sigue disminuyendo y la precisión sigue aumentando).
VRIFY AI incorpora una parada temprana para monitorear el rendimiento del modelo y detener el entrenamiento cuando el rendimiento ya no mejora. Esto evita épocas innecesarias y previene el sobreajuste, mejorando la confiabilidad del modelo y sus predicciones al tiempo que reduce el tiempo de ejecución de los cálculos.
¿Aún tienes preguntas?
Comuníquese con su contacto exclusivo de VRIFY AI o envíe un correo electrónico a Support@VRIFY.com para obtener más información.