Grafanna Ríomha

Calcalas il-athraitheach ó na chéad phrionsabail

Eagraíonn aon struchtúr sonraí amháin gach rud a d'fhoghlaim tú sa dá cheacht dheireanacha: an graf ríomha. Athraítear gach oibríocht uimhríochtúil i samhail — suimiú, iolrú, matmul, gníomhachtú — ina nód i ngraf treoraithe. Is é an graf seo an bealach a ríomhann PyTorch, JAX, agus TensorFlow grádáin go huathoibríoch.

Ritheann an oiliúint an graf faoi dhó. Sreabhann an pas ar aghaidh ó chlé go deas, ag ríomh agus ag stóráil luach gach nóid. Sreabhann an pas ar gcúl ó dheas go clé, ag baint úsáide as riail an tslabhra chun an grádán a bhrú siar ón gcaillteanas go dtí gach ionchur, nód ar nód.

Seo an smaoineamh a chuireann ar a chumas scálú: níl ar aon nód ach a dhíorthach áitiúil féin a bheith ar eolas aige. Chun an grádán a sheoladh siar trí nód, iolraigh an grádán isteach (ón mbarr) faoi Sheacóbach áitiúil an nóid (an chaoi a mbraitheann a aschur ar a ionchuir). Ní theastaíonn an pictiúr iomlán ó aon nód riamh; nuair a shlabhraítear rialacha áitiúla le chéile, táirgeann siad an grádán iomlán go beacht.

Cá bhfeictear é seo in MLIs ionann graf ríomha agus autograd, i ndáiríre. Nuair a scríobhann tú samhail in PyTorch, taifeadann gach oibríocht nód go ciúin; siúlann an glao ar loss.backward() siar tríd an ngraf, ag iolrú Seacóbach áitiúla de réir riail an tslabhra, agus taisceann sé ∂loss/∂w ar gach paraiméadar. Ní scríobhann tú díorthach de láimh riamh, agus is í an áisiúlacht sin amháin — díorthaigh a ríomhtar go beacht…
▶ Grafanna Ríomha
← Riail an tSlabhra: Foirm MhaitrísePointí Criticiúla i Rⁿ →