Visão geral
Esta seção é onde você configura qual “Vision Transformer Model” (Modelo de Transformador de Visão - ViT) será usado para suas previsões e determina o número de vezes que seu conjunto de dados passará pelo algoritmo para realizar o ajuste fino local, ajustando os modelos gerais ao seu domínio local. Este parâmetro é conhecido como o número de épocas.
Uma incorporação de visão é uma representação visual de espaço latente multidimensional dos relacionamentos entre os dados do recurso de entrada, tornando mais fácil ver padrões e compreender os relacionamentos nos dados. Esta etapa é um exercício de redução da dimensão dos dados que pode ser geralmente comparável a uma Análise de Componentes Principais (Principal Component Analysis - PCA). Neste processo, seus recursos de entrada (input features) serão traduzidos em 24 dimensões que ajudam o algoritmo a fazer melhores previsões.
Continue lendo para saber mais sobre o que esta etapa envolve.
Conceitos-chave por parâmetro
Parâmetro: Modelo de Transformador de Visão (Vision Transformer Model)
O “Vision Transformer” (Transformador de Visão) processa, incorpora, codifica e classifica os recursos de entrada, permitindo que uma previsão seja feita para cada patch (grade de pixels).
Os Vision Transformer Models (Modelos de Transformador de Visão) disponíveis são para tipos específicos de sistemas minerais, incluindo um Modelo Geral (General Model) que pode ser usado se não houver um modelo disponível para o seu sistema mineral alvo.
A escolha do modelo correto de Vision Transformer (Transformador de Visão) seja ele especializado para um tipo específico de sistema mineral ou usando o Modelo Geral, permite o alinhamento das características dos dados, aumenta a precisão da previsão e reduz o risco de overfitting.
Se não tiver a certeza de qual modelo de Vision Transformer (Transformador de Visão) utilizar, comece pelo Master_Model.pt.
Se quiser usar um modelo não treinado, use a opção “None” (Nenhum). Isto é útil no caso em que o seu depósito é extremamente específico para a sua localização.
Parâmetro: Nº de Períodos (No. of Epochs)
Definir o número de períodos (number of epochs) controla o número de passagens completas pelos dados de treinamento.
Períodos Baixos: Menos períodos resultam em menor tempo de treinamento. Isto pode ser suficiente se o modelo aprender rapidamente com os dados, mas corre o risco de underfitting – onde o modelo não consegue capturar todos os padrões no conjunto de dados.
Períodos Altos: Mais períodos proporcionam mais ciclos de treinamento, melhorando potencialmente o desempenho do modelo. No entanto, após um certo ponto, períodos adicionais podem não melhorar mais a precisão.
Pode ser benéfico aumentar o número de períodos se o seu modelo não tiver convergido totalmente (ou seja, a perda ainda está diminuindo e a precisão ainda está aumentando).
Uma parada antecipada é incorporada ao DORA para monitorar o desempenho do modelo e interromper o treinamento quando o desempenho não melhorar mais. Isso evita períodos desnecessários e previne o overfitting, melhorando a confiabilidade do modelo e suas previsões, ao mesmo tempo que reduz o tempo de execução do cálculo.
Still have questions?
Reach out to your dedicated DORA Contact or email Support@VRIFY.com for more information.