Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как выполнять вычисления через Code Execution в Gemini API и проверять результат
Как подключить Code Execution в Gemini API для расчётов: постановка задачи, код, вывод и независимая контрольная проверка.
Как проверить формы нейросети через jax.eval_shape без вычисления
Абстрактная проверка forward через ShapeDtypeStruct и eval_shape: ожидаемый batch output, dtype и раннее обнаружение несовместимых размерностей.
Как проверить устройства и backend JAX перед запуском нейросети
Диагностика JAX 0.11.2: default_backend, devices, platform, размещение массива и проверка вычисления без ошибочного ожидания GPU.
Как сократить память backprop через jax.checkpoint
Gradient checkpointing в JAX 0.11.2: rematerialization, обмен памяти на вычисления и проверка равенства output и gradients.
Как выполнять код в Claude API и получать созданные файлы
Как подключить code execution tool Claude, передать данные в контейнер, проверить вычисления и скачать созданный артефакт.
Как запустить CodeAgent smolagents в Docker-песочнице
Изолированный executor_type=docker для CodeAgent: установка extra, context manager, тест вычисления, критерии очистки и границы безопасности.
Как отделить провал RAG-поиска от отсутствия документа в индексе
Сверяем эталонные document_id с инвентарём индекса до вычисления retrieval-метрик и показываем разные причины пропуска.
Как инициализировать двухслойную нейросеть в JAX
Двухслойный MLP без фреймворка: random.split, масштаб весов, ReLU, PyTree параметров, одиночный и пакетный входы.
Как найти NaN в JAX-нейросети через debug_nans
Локальная диагностика NaN в eager и jit: контекст jax.debug_nans, FloatingPointError, безопасная функция и запрет маскировки проблемы nan_to_num.
Как обновить веса нейросети через value_and_grad в JAX
Один проверяемый шаг gradient descent для PyTree параметров: MSE, value_and_grad, tree.map, формы градиентов и снижение loss.
Как обновлять PyTree параметров через jax.tree.map
Проверяемые PyTrees: flatten, treedef, tree.map по двум структурам, unflatten и контроль несовместимого дерева.
Как обучать MLPClassifier пакетами через partial_fit
Потоковое обучение MLPClassifier мини-пакетами: первый classes, Incremental StandardScaler, несколько эпох, контроль n_iter_ и accuracy.
Как обучить MLPClassifier со StandardScaler без утечки данных
Проверяемый Pipeline из StandardScaler и MLPClassifier: раздельная выборка, обучение scaler только на train, accuracy и защита от утечки.
Как оценить MLPClassifier через classification report и confusion matrix
Оценка нейросети не одной accuracy: classification_report как dict, confusion_matrix, support, macro F1 и точные критерии проверки.
Как оценить важность признаков MLP через permutation importance
Permutation importance для Pipeline с MLPClassifier: baseline на test, перестановки столбцов, mean/std, воспроизводимость и ограничения интерпретации.
Как ограничить глобальную норму градиентов в JAX
Проверяемый gradient clipping по общей L2-норме PyTree: tree.leaves, единый scale, норма 13→5 и защита от деления на ноль.
Как ограничить обратный градиент через jax.custom_vjp
Пользовательский reverse-mode в JAX 0.11.2: identity forward, residuals, clipped cotangent и точная проверка градиента.
Как остановить динамический цикл через jax.lax.while_loop
Динамическая сходимость в JAX 0.11.2: cond_fun, body_fun, carry `(iteration,value)`, защитный лимит и ограничение reverse-mode.
Как остановить градиент через jax.lax.stop_gradient
JAX 0.11.2: stop_gradient сохраняет forward value, исключает ветвь из autodiff и проверяется аналитическим gradient.
Как печатать значения внутри jax.jit через jax.debug.print
Runtime-диагностика compiled JAX: debug.print с format placeholders, ordered=True, block_until_ready и проверка вывода `mean=2.00`.