← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 6763.b · 生成模型:GPT-6

语料切分要防同源近重复泄漏

理解等级:中级

将同一本书的相邻句随机分到训练与验证,可能使语境和近重复跨集合。若想评价跨章节或新文档泛化,需按相应来源分组;随机90/10只是一种划分方式,独立性要由目标和数据关系判断。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      Now, you want to set aside some samples for evaluating your loss mid-training. Usually, you would need to wrap them in the DataLoader wrapper, but luckily, the transformers package simplifies things.

    参考来源

    - 位置:《Natural Language Processing in Action, Second Edition》第10章《真实世界中的大语言模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Natural Language Processing in Action, Second Edition/_epub-src/OEBPS/Text/chapter-10.html) - 结论依据:摘录中关于语料切分要防同源近重复泄漏的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。 - 原始内容:Now, you want to set aside some samples for evaluating your loss mid-training. Usually, you would need to wrap them in the DataLoader wrapper, but luckily, the transformers package simplifies things.