Thứ Sáu, Tháng 5 9, 2025
Không tìm thấy bài viết thích hợp
Xem tất cả kết quả
Khắc Kỷ Hiện Đại
Advertisement
  • Trang Chủ
  • Chủ Nghĩa Khắc Kỷ
  • Tự Do Tài Chính
  • Phát Triển Bản Thân
  • Giá Trị Vĩnh Cửu
  • Red Pill Việt Nam
  • Triết Học
  • Quà Tặng Cuộc Sống
  • Trang Chủ
  • Chủ Nghĩa Khắc Kỷ
  • Tự Do Tài Chính
  • Phát Triển Bản Thân
  • Giá Trị Vĩnh Cửu
  • Red Pill Việt Nam
  • Triết Học
  • Quà Tặng Cuộc Sống
Không tìm thấy bài viết thích hợp
Xem tất cả kết quả
Khắc Kỷ Hiện Đại
Không tìm thấy bài viết thích hợp
Xem tất cả kết quả
Trang Chủ Chủ Nghĩa Khắc Kỷ

ALGORITHMIC THINKING

Phần 2

Thuộc danh mục: Chủ Nghĩa Khắc Kỷ
0
SHARES
4
VIEWS

Vấn đề 1. Local minima and global minimum

Ý này đc giải thích tốt hơn bằng concept “exploration vs exploitation” của reinforcement learning. Nhưng mà bài này giới hạn trong supervised learning nên thôi.

“Khoảng cách” giữa output và target thường đc gọi là “cost” hoặc “loss”. Theo hướng thực dụng, thì mục đích của việc học là update bản thân để hoạt động của mình ít loss hơn. Nhưng update thì tốn năng lượng, mà người thì ko thích tiêu tốn năng lượng, và chỉ tiêu năng lượng cho những việc họ cho là đáng làm.

Trong quá trình training/học, có thể mình thấy kĩ thuật của mình đã tiến bộ hơn so với trước đó, và nếu mình thay đổi, thì output của mình sẽ tệ đi. Với AI model thì đây gọi là minima, nhìn xung quanh thì chả có chỗ nào tốt hơn/thấp hơn/ ít loss hơn chỗ này. Và mọi thay đổi sẽ là tăng loss, thay vì giảm loss. Và AI model sẽ dừng training lúc này. Thế nên là programmer phải áp dụng 1 số kĩ thuật như regularization, thay đổi loss function, minibatch gradient descent…. để AI model có thể “thoát khỏi” local minima, từ bỏ những nơi “hơi hơi tốt” để đến nơi tốt hơn. Trước khi đến nơi thấp hơi, thì phải chấp nhận leo ra khỏi chỗ thấp mình đang ở.

Đôi lúc thì mình cảm thấy thỏa mãn với kỹ thuật, output của bản thân. Và mình có xu hướng dừng training, vì mình nghĩ là mình đã đủ tốt rồi. Lúc này thì nên niệm 1 mantra trong Vagabond, “There is no limit to technique. There is always room for improvement.”. Luôn luôn có chỗ để tiến bộ.

Ngay cả khi mình biết là ko có global minimum, training/học ko bao giờ dừng…, thì việc từ bỏ cảm giác thỏa mãn, từ bỏ trạng thái ít loss, đi làm những hành động tăng loss, kĩ thuật tệ đi, chất lượng cuộc sống giảm đi… đều là những thứ khó làm. Dù sao thì, tùy vào purpose, mà The Creator sẽ thúc đít và train dù mình có muốn hay ko. Tự giác lao vào bể khổ thì đỡ khổ hơn là chống cự.

“The perfect man employs his mind as a mirror; it grasps nothing, it refuses nothing, it receives, but does not keep ” – Chuang Tzu. Ko níu kéo những thứ đã qua, ko từ chối những thứ sắp đến, mọi thứ đều là training, và việc của mình chỉ đơn giản là cho ra output tốt nhất và enjoy the waves. Loss tăng hay giảm, đó là việc của The Creator.

“Mistakes’ is the word you’re too embarrassed to use. You ought not to be. You’re a product of a trillion of them. Evolution forged the entirety of sentient of life on this planet using one tool – the mistake.” – Dr. Robert Ford, WestWorld

EVERYTHING I DID WRONG

Vấn đề 2. Overfitting and underfitting

Khi train 1 model thì người ta hay chia dataset ra làm 3 loại: training, validation, và test. Training dataset dc dùng để… train model, loss này đc dùng để update model. Với validation dataset thì loss vẫn đc tính, nhưng loss đó đc dùng để programmer xem xem model đang đi theo hướng nào, và loss này ko đc dùng để update model. Test thì cũng na ná validation, chỉ là lúc này model ko ở trong giai đoạn phát triển, mà trong giai đoạn kiểm tra chất lượng.

Validation và test là unseen data (vì model ko đc update trong lúc nó chạy validation và test dataset). Mục đích của validation và test là giúp programmer xem xem model có “hiểu”, có nhìn thấy underline pattern của data hay ko. Ví dụ, cho 1 dãy số 1,2,4,8,16… underline pattern của dãy số này là “số sau gấp đôi số trước”. Khi nhìn thấy underline pattern thì mình có thể dự đoán đc số tiếp theo trong dãy số. 1 ví dụ khác là 1 công thức ax +b = y, giả sử mình có dataset: 1x+2 = 4, 3x + 4 = 10, 5x +1 = 11, thì dựa vào dataset này, mình khá chắc x=2, vì xác suất x=2 cho ra kết quả đúng là 3/3, 100%. Nếu mình ko hiểu underlined pattern, thì khi gặp những thứ mình chưa thấy, mình phải educated guess – đoán dựa theo những gì mình đã thấy.

Underfit là khi model quá đơn giản, và ko có khả năng nhìn thấy underline pattern và cho ra kết quả gần target. Con người thì bị dính underfit trong 2 trường hợp: 1 là ko đủ tâm lực để hiểu và giải quyết vấn đề, 2 là bị overloaded thông tin, ngốn quá nhiều data mà chưa kịp tiêu hóa và update. Ví dụ, tập võ. Newbie lúc mới tập, phải tiếp thu rất nhiều thông tin, ko biết người khác đang làm gì, và ko biết mình đang làm gì (ko nhìn thấy đc pattern và phản ứng hợp lý theo pattern của mình và đối thủ).

Còn với người tập lâu, nhìn ánh mắt, cái lắc hông của đối thủ là đã có thể dự đoán đối thủ sắp làm gì. Ví dụ 2, người đọc bài này. Nếu attention span của bạn khoảng 10 phút, thì bạn ko đủ tâm lực để load mấy ý này, đây là trường hợp 1. Trường hợp 2, bạn ko có kinh nghiệm về AI hay việc học, thì quá nhiều thông tin để tiêu hóa ở đây. Nếu bạn đã biết những concept căn bản của AI nhắc đến trong bài (global/local minimum, loss function, training loop…), hoặc bạn có kinh nghiệm với việc học, thì bài này dễ như ăn cháo.

Cách giải quyết underfit đơn giản là, tăng nội công/tâm lực (để chơi game đúng tầm), và more training time (từ từ tiêu hóa và xử lý thông tin).

Overfit là khi model giải quyết rất tốt những vấn đề nó đã nhìn thấy (từ training dataset), nhưng giải quyết rất tệ những vấn đề nó chưa nhìn thấy (validation và test dataset). Nguyên nhân thường là 1 là training data quá ít, ko đủ để model nhận thức đc toàn cảnh vấn đề. Vì ko có toàn cảnh vấn đề nên ko nhìn thấy đc underline patterns, mà lại quá tự tin vào cái “hiểu” thiếu xót. Con người overfitted thì người ta hay gọi là “ếch ngồi đáy giếng”.

Cái giếng là 1 thế giới nhỏ, mình có thể biết tất tần tật và dự đoán mọi thứ xảy ra trong cái giếng, cuộc sống của mình rất tốt, loss gần bằng 0. Nhưng khi ra khỏi miệng giếng, là 1 dataset hoàn toàn khác, những patterns mình chưa thấy bao giờ, thì mình bị con bò dẫm lòi ruột.

Con người thì luôn luôn bị cả overfitted lẫn underfitted. Undefit là hiểu ko đủ sâu. Overfit là hiểu ko đủ rộng. Và vì cuộc đời ko có global minimum, nên con người ko bao giờ có thể hiểu đủ sâu và đủ rộng. Luôn luôn có chỗ cho sự tiến bộ.

Bài ViếtLiên Quan

VẤN ĐỀ BẠN NGHĨ MÌNH ĐANG GẶP PHẢI THỰC RA KHÔNG PHẢI LÀ VẤN ĐỀ THỰC SỰ

CÓ NÊN HẠN CHẾ QUYỀN TỰ DO NGÔN LUẬN ĐỂ THÚC ĐẨY MỘT XÃ HỘI TOÀN DIỆN HƠN KHÔNG?

BẠN CÓ ĐANG LÀ NÔ LỆ CHO CÁI TÔI CỦA CHÍNH MÌNH?

CHỦ NGHĨA KHẮC KỶ NÓI GÌ VỀ VIỆC CỐ GẮNG TRỞ NÊN TỐT HƠN MỖI NGÀY

ShareTweetShareShare
Đọc Tiếp
SIGMUND FREUD NÓI GÌ VỀ NHÂN CÁCH CON NGƯỜI?

SIGMUND FREUD NÓI GÌ VỀ NHÂN CÁCH CON NGƯỜI?

Để lại một bình luận Hủy

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

Gợi Ý

Tản Mạn Về ‘tha Thứ’, Phóng Đại Khổ, Và Đừng Trách Những Kẻ Say

Tản Mạn Về ‘tha Thứ’, Phóng Đại Khổ, Và Đừng Trách Những Kẻ Say

2 năm ago
TÂM THẾ HỌC CÒN THUA VERSION CON NÍT NGÀY NHỎ

TÂM THẾ HỌC CÒN THUA VERSION CON NÍT NGÀY NHỎ

2 năm ago
MẶT TRỜI MỌC BUỔI TỐI

MẶT TRỜI MỌC BUỔI TỐI

7 tháng ago
HẾT KHẢ NĂNG !

HẾT KHẢ NĂNG !

2 năm ago
LÒNG TIN MÃNH LIỆT VÀO THẦN TÍNH BÊN TRONG MỖI NGƯỜI LÀ THỨ CÓ THỂ BIẾN ĐỔI CHÚNG TA NHƯ THẾ NÀO

LÒNG TIN MÃNH LIỆT VÀO THẦN TÍNH BÊN TRONG MỖI NGƯỜI LÀ THỨ CÓ THỂ BIẾN ĐỔI CHÚNG TA NHƯ THẾ NÀO

10 tháng ago

Bài Viết Hay Nhất

  • Dopamine Detox

    Dopamine Detox

    0 shares
    Share 0 Tweet 0
  • Carl Jung Và Shadow: Phần Sức Mạnh Bị Ẩn Giấu Của Mặt Tối Chúng Ta

    0 shares
    Share 0 Tweet 0
  • VÌ SAO TÔN NGỘ KHÔNG ĐẠI NÁO THIÊN CUNG NHƯNG LUÔN PHẢI NHỜ VIỆN TRỢ KHI THỈNH KINH?

    0 shares
    Share 0 Tweet 0
  • KHI BẠN THỰC SỰ MONG MUỐN MỘT ĐIỀU GÌ ĐÓ, VŨ TRỤ NÀY CŨNG ĐẾCH QUAN TÂM ĐÂU

    0 shares
    Share 0 Tweet 0
  • Carl Jung – Phức Cảm Tự Ti Và Một Bản Thân Hoàn Hảo

    0 shares
    Share 0 Tweet 0

Sứ Mệnh

Nơi đem lại những bài viết mang lại giá trị nhất giúp phát triển bản thân một cách đúng "đắng".

Thông Tin

  • Chính sách bảo mật
  • Liên Hệ
  • Liên Hệ
  • Chính sách bảo mật

© 2022 Khắc Kỷ Hiện Đại - Đồng Thinh Tương Ứng, Đồng Khí Tương Cầu.

Không tìm thấy bài viết thích hợp
Xem tất cả kết quả
  • Trang Chủ
  • Chủ Nghĩa Khắc Kỷ
  • Tự Do Tài Chính
  • Phát Triển Bản Thân
  • Giá Trị Vĩnh Cửu
  • Red Pill Việt Nam
  • Triết Học
  • Quà Tặng Cuộc Sống

© 2022 Khắc Kỷ Hiện Đại - Đồng Thinh Tương Ứng, Đồng Khí Tương Cầu.