今天要教大家怎麼訓練一個模型喔！

如何訓練一個模型

放置資料

我們在下面這個界面會發現正中央有一個 "Data" 的欄位，且分成三個格子，聰明的你們應該知道他們分別要放進哪些資料的對嗎！？

我們要分別拿出在 Day 4 切分好的
"訓練資料集" 以及 "驗證資料集"(如果有切分的話就放，沒有的話也可以讓系統自動分離出訓練資料集的資料)和 "測試資料集"

調整參數

我們要調整的參數很簡單，依照剛剛在介面上介紹的，大多只需要調整 leterations 和 Augmentations 就行了。

這裡再做一下兩個參數詳細的介紹！

• lterations: 訓練數據集上迭代的次數。迭代次數越多，模型就越有可能學習到數據中的模式。但是，迭代次數太多也會導致過擬合，即模型過於貼合訓練數據，而無法泛化到新數據。

  • 以下是 Core ML 中 iterations 的一些最佳實踐：
    • 從較小的 iterations 數量開始，然後根據需要增加。
    • 使用自動調節功能來幫助您找到最佳 iterations 數量。
    • 監測模型的準確性和泛化性能，以避免過擬合。

• Augmentations: 通過對訓練數據集中的圖像或其他數據進行隨機變換來實現。這些變換可以包括旋轉、縮放、剪裁、翻轉、添加噪聲等。
  幫助模型學習到數據中的更廣泛的模式，從而提高模型的準確性和泛化性能。在某些情況下，Augmentations 甚至可以使模型在沒有額外數據的情況下提高準確性

  • 以下是 Core ML 中 Augmentations 的一些最佳實踐：

    • 使用多種 Augmentations 來增加數據集的多樣性。
    • 使用隨機 Augmentations 來防止模型學習到特定的數據模式
    • 監測模型的準確性和泛化性能，以避免過擬合。

  • Augmentations 項目介紹：

    • Add Noise： 在圖片中添加隨機雜訊，可以使模型更具魯棒性，不受現實世界中噪聲的影響。
    • Blur: 對圖片進行模糊處理，可以去除圖片中的細節，使模型更難過擬合訓練資料。
    • Crop: 隨機裁剪圖片的大小和/或位置，可以增加模型在訓練過程中看到的圖片種類。
    • Expose: 改變圖片的亮度和對比度，可以使圖片更具挑戰性，讓模型更難分類。
    • Flip: 水平或垂直翻轉圖片，可以使模型更具魯棒性，不受圖片中物體方向的影響。
    • Rotate: 隨機旋轉圖片，可以使模型更具魯棒性，不受圖片中物體視角的影響。

以上參數調整好之後就可以直接訓練了！每次訓練可以藉由慢慢調整這些參數，訓練出準確率越來越高的模型！