Обучение модели
Это процесс, когда вы настраиваете параметры нейронной сети (нейронного импульса, который вы создали) так, чтобы она научилась точно распознавать закономерности в ваших данных и делать точные прогнозы
Пошаговый процесс обучения
Шаг 1: Переход в раздел "Training"
В левом меню Edge Impulse Studio выберите пункт Training.
Шаг 2: Выбор и настройка нейронной сети
Здесь вы увидите список доступных архитектур моделей. Ваш выбор зависит от типа данных и задачи:
Популярные варианты в Edge Impulse:
Для изображений (Image):
Transfer Learning (Images):
Самый популярный и эффективный метод. Использует предобученную мощную модель (например, MobileNetV1/V2). Edge Impulse "замораживает" ее начальные слои, которые умеют определять общие черты (края, текстуры), и доучивает только последние слои на ваших данных. Требует мало данных для хорошего результата.
NN Classifier (Images):
Простая сверточная нейронная сеть (CNN), которую обучают с нуля. Требует больше данных и времени, но может быть полезна для специфичных задач.
Для звука, акселерометра, любых временных рядов (Audio, Time Series):
NN Classifier (Keras):
Универсальная нейронная сеть, которая хорошо работает с данными, прошедшими предобработку (например, спектрограммы MFCC для аудио или спектральные признаки для вибрации).
Classification (Expert Mode):
Позволяет вам написать или импортировать свою архитектуру модели на Keras/TensorFlow для полного контроля.
Шаг 3: Настройка гиперпараметров (Hyperparameters)
Это "рычаги", которые вы настраиваете для управления процессом обучения:
Number of training cycles (Количество эпох): Сколько раз модель увидит весь ваш набор данных для обучения.
Слишком мало: Модель не успеет научиться (недообучение).
Слишком много: Модель "зазубрит" тренировочные данные, включая их шумы, и будет плохо работать на новых данных (переобучение). Обычно начинают с 20-50.
Learning rate (Скорость обучения): Насколько сильно модель корректирует свои веса на каждом шаге.
Высокая скорость: Обучение идет быстрее, но можно "проскочить" оптимальное решение.
Низкая скорость: Обучение медленнее, но более стабильно. Обычно лучше оставить значение по умолчанию.
Validation set (Валидационная выборка): Edge Impulse автоматически резервирует часть данных (например, 20%) для проверки качества модели во время обучения. Это помогает отслеживать переобучение.
Шаг 4: Запуск обучения
Нажмите кнопку Start training. Edge Impulse начнет процесс, который может занять от нескольких секунд до десятков минут, в зависимости от объема данных и сложности модели.
Шаг 1: Переход в раздел "Training"
В левом меню Edge Impulse Studio выберите пункт Training.
Шаг 2: Выбор и настройка нейронной сети
Здесь вы увидите список доступных архитектур моделей. Ваш выбор зависит от типа данных и задачи:
Популярные варианты в Edge Impulse:
Для изображений (Image):
Transfer Learning (Images):
Самый популярный и эффективный метод. Использует предобученную мощную модель (например, MobileNetV1/V2). Edge Impulse "замораживает" ее начальные слои, которые умеют определять общие черты (края, текстуры), и доучивает только последние слои на ваших данных. Требует мало данных для хорошего результата.
NN Classifier (Images):
Простая сверточная нейронная сеть (CNN), которую обучают с нуля. Требует больше данных и времени, но может быть полезна для специфичных задач.
Для звука, акселерометра, любых временных рядов (Audio, Time Series):
NN Classifier (Keras):
Универсальная нейронная сеть, которая хорошо работает с данными, прошедшими предобработку (например, спектрограммы MFCC для аудио или спектральные признаки для вибрации).
Classification (Expert Mode):
Позволяет вам написать или импортировать свою архитектуру модели на Keras/TensorFlow для полного контроля.
Шаг 3: Настройка гиперпараметров (Hyperparameters)
Это "рычаги", которые вы настраиваете для управления процессом обучения:
Number of training cycles (Количество эпох): Сколько раз модель увидит весь ваш набор данных для обучения.
Слишком мало: Модель не успеет научиться (недообучение).
Слишком много: Модель "зазубрит" тренировочные данные, включая их шумы, и будет плохо работать на новых данных (переобучение). Обычно начинают с 20-50.
Learning rate (Скорость обучения): Насколько сильно модель корректирует свои веса на каждом шаге.
Высокая скорость: Обучение идет быстрее, но можно "проскочить" оптимальное решение.
Низкая скорость: Обучение медленнее, но более стабильно. Обычно лучше оставить значение по умолчанию.
Validation set (Валидационная выборка): Edge Impulse автоматически резервирует часть данных (например, 20%) для проверки качества модели во время обучения. Это помогает отслеживать переобучение.
Шаг 4: Запуск обучения
Нажмите кнопку Start training. Edge Impulse начнет процесс, который может занять от нескольких секунд до десятков минут, в зависимости от объема данных и сложности модели.
Анализ результатов обучения
После завершения обучения вы увидите отчет с ключевыми метриками:
Accuracy (Точность): Процент правильных прогнозов на валидационной выборке. Стремитесь к значению >90% для хорошего результата.
Loss (Функция потерь): Покажает, насколько прогнозы модели отличаются от правильных ответов. В идеале, кривая потерь должна уменьшаться и для тренировочных, и для валидационных данных.
Confusion matrix (Матрица ошибок): Очень важный инструмент! Показывает, какие классы модель путает между собой.
Идеально: Все числа сосредоточены на диагонали (зеленая).
Проблема: Если есть значительные числа вне диагонали (например, модель часто путает "кошку" с "собакой"), значит, этим классам не хватает различительных данных или нужно улучшить модель/предобработку.
Accuracy (Точность): Процент правильных прогнозов на валидационной выборке. Стремитесь к значению >90% для хорошего результата.
Loss (Функция потерь): Покажает, насколько прогнозы модели отличаются от правильных ответов. В идеале, кривая потерь должна уменьшаться и для тренировочных, и для валидационных данных.
Confusion matrix (Матрица ошибок): Очень важный инструмент! Показывает, какие классы модель путает между собой.
Идеально: Все числа сосредоточены на диагонали (зеленая).
Проблема: Если есть значительные числа вне диагонали (например, модель часто путает "кошку" с "собакой"), значит, этим классам не хватает различительных данных или нужно улучшить модель/предобработку.
Craftum
Конструктор сайтов Craftum