Model Metrics

Lưu ý: Model metrics chỉ được bật khi execution pipeline đang ở trạng thái Running và giai đoạn Training.

Model metrics được thu thập để theo dõi hiệu suất training của các model AI trong và sau quá trình fine-tuning. Các số liệu này giúp phát hiện các bất thường trong training, hướng dẫn điều chỉnh hyperparameter và cải thiện hiệu suất model.

Số liệu training:

Số liệu	Đánh giá gì
loss	Đo lường mức độ học của model. Loss cao nghĩa là dự đoán kém; loss thấp nghĩa là model đang khớp tốt với dữ liệu.
learning_rate	Kiểm soát tốc độ học của model. Learning rate quá cao có thể gây mất ổn định; quá thấp có thể làm chậm quá trình training.
grad_norms	Cho biết độ lớn của gradient. Giúp phát hiện các vấn đề như vanishing hoặc exploding gradient, ảnh hưởng đến việc học.
epoch	Theo dõi số lần model đã duyệt qua toàn bộ dữ liệu training. Hữu ích để theo dõi tiến trình học theo thời gian.

Số liệu đánh giá:

Lưu ý: Chỉ hiển thị khi sử dụng dữ liệu đánh giá.

Số liệu	Đánh giá gì
eval_runtime	Đo lường thời gian thực hiện quá trình đánh giá. Hữu ích để đánh giá hiệu năng.
eval_samples_per_second	Cho biết thông lượng đánh giá. Giá trị cao hơn tốt hơn cho xác thực model nhanh hơn.
eval_steps_per_second	Đo số bước đánh giá hoàn thành mỗi giây. Phản ánh hiệu quả đánh giá.
eval_loss	Đo lường mức độ model tổng quát hóa trên dữ liệu chưa thấy. Giúp phát hiện overfitting hoặc underfitting.

Số liệu hiệu suất training:

Số liệu	Đánh giá gì
train_runtime	Tổng thời gian dành cho training. Hữu ích để ước tính chi phí và hiệu quả training.
train_samples_per_second	Đo thông lượng training. Giá trị cao hơn cho thấy training nhanh hơn.
train_steps_per_second	Cho biết số bước training hoàn thành mỗi giây. Phản ánh tốc độ training.
total_flos	Tổng số phép tính dấu phẩy động được sử dụng. Giúp ước tính chi phí tính toán và độ phức tạp của model.
train_loss	Đo lường mức độ model khớp với dữ liệu training. Nên giảm theo thời gian nếu training có hiệu quả.