知识卡片

普通读书笔记卡 · 9861.r · 生成模型:Hunyuan

训练流程与checkpoint

理解等级:高级

训练以tf.train.Checkpoint把transformer与optimizer一起纳管,CheckpointManager只保留最近5份,并用run_id拼接层数、维度、头数等超参以便对比实验;若已有latest_checkpoint就restore并从记录的epoch续训。train_step用@tf.function加速:tar切为tar_inp与tar_real错位预测,create_masks生成三掩码,GradientTape记录前向,loss_function算损失后反向求梯度并由Adam更新参数,最后写入loss与accuracy指标。训练循环遍历EPOCHS轮、每轮重置指标、逐batch更新并定期存盘。注意恢复时学习率调度的step需与ckpt步数对齐,否则续训曲线会突变。

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

    参考来源

    - 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第12章 用Transformer实现英译中(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter16_0006.xhtml) - 结论依据:原文用Checkpoint同时保存transformer与optimizer,并在train_step中把tar切为tar_inp与tar_real后于GradientTape内计算损失。 - 原始内容:ckpt = tf.train.Checkpoint(transformer=transformer, optimizer=optimizer) # ckpt_manager 将查看checkpoint_path 是否有 ckpt 里定义的信息 # 只保存最近5次checkpoints,其他自动刪除