🏋️ Training là gì?
Giai đoạn cho máy xem dữ liệu để học.
1
Hiểu nó là gì
Training là quá trình đưa dữ liệu vào, đo xem sai bao nhiêu rồi chỉnh dần tham số, lặp lại cho tới khi model đủ tốt.
Nói theo đời thường:
Như luyện thi: làm đề, dò đáp án, biết sai chỗ nào thì sửa, lặp đi lặp lại cho tới khi chắc tay.
Như luyện thi: làm đề, dò đáp án, biết sai chỗ nào thì sửa, lặp đi lặp lại cho tới khi chắc tay.
⚠ Chỗ ẩn dụ này hỏng
“Đi học” gợi ra hình ảnh tiếp thu dần dần. Training thực ra là dò tìm bằng cách sai đi sai lại hàng triệu lần.
Model đoán, so với đáp án, chỉnh lại một chút, rồi lặp lại. Không có “hiểu ra” ở bước nào. Và khác với người đi học, training cực kỳ tốn kém: các model lớn tốn hàng triệu đô tiền điện và không thể học thêm sau khi xong.
2
Code trông thế nào
Vòng lặp huấn luyện, lặp hàng triệu lần:
1. Đưa vào một mẫu
2. Model đoán
3. So với đáp án đúng → tính độ sai
4. Chỉnh trọng số cho lần sau sai ít hơn
5. Quay lại bước 1
Không có bước nào tên là “hiểu”. Chỉ có giảm sai số.
3
Khi nào bạn dùng nó
✓ Dùng khi
- Cần model chuyên cho lĩnh vực riêng
- Có đủ dữ liệu và đủ máy
✗ Đừng dùng khi
- Model có sẵn đã đủ tốt (gần như luôn là trường hợp này)
- Dữ liệu dưới vài nghìn mẫu
Chưa cần biết: siêu tham số, lịch trình học, huấn luyện phân tán, checkpoint.
Để dành tới Mốc 3 — Tự ghép được: Bạn nối được AI vào tài liệu của mình và biết cách kiểm tra nó trả lời đúng hay đang bịa.
Dấu hiệu bạn đã cần học nó: Khi bạn thật sự cần huấn luyện chứ không phải chỉ viết prompt tốt hơn.
4
Đi đâu tiếp
- DatasetNguyên liệu đầu vào của training.
- OverfittingĐiều xảy ra khi huấn luyện quá lâu.
- Fine-tuningBản rút gọn và rẻ hơn nhiều của training.