{"id":30028,"date":"2019-10-31T21:33:18","date_gmt":"2019-10-31T18:33:18","guid":{"rendered":"https:\/\/prohoster.info\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki\/"},"modified":"2019-10-31T21:33:18","modified_gmt":"2019-10-31T18:33:18","slug":"rabotaem-s-nejrosetyami-chek-list-dlya-otladki","status":"publish","type":"post","link":"https:\/\/prohoster.info\/bs\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki","title":{"rendered":"Radimo s neuronskim mre\u017eama: kontrolna lista za pode\u0161avanje","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><img decoding=\"async\" alt=\"Radimo s neuronskim mre\u017eama: kontrolna lista za pode\u0161avanje\" src=\"\/wp-content\/uploads\/2019\/03\/8ce45093bfe44092cb25d947c32bb0b5.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n <br \/>\nKodovi softverskih proizvoda za ma\u0161insko u\u010denje \u010desto su slo\u017eeni i prili\u010dno zbunjuju\u0107i. Otkrivanje i uklanjanje gre\u0161aka u njima predstavlja zahtjevan zadatak. \u010cak i najjednostavnije <noindex><a rel=\"nofollow\" href=\"https:\/\/cs.stanford.edu\/people\/eroberts\/courses\/soco\/projects\/neural-networks\/Architecture\/feedforward.html\">neuronske mre\u017ee sa direktnom vezom<\/a><\/noindex> zahtijevaju ozbiljan pristup mre\u017enoj arhitekturi, inicijalizaciji te\u017eina i optimizaciji mre\u017ee. Mala gre\u0161ka mo\u017ee dovesti do ozbiljnih problema.<\/p>\n<p>Ovaj \u010dlanak je posve\u0107en algoritmu debagiranja va\u0161ih neuronskih mre\u017ea.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<blockquote><p><b>Skillbox preporu\u010duje:<\/b> Prakti\u010dni kurs <noindex><a rel=\"nofollow\" href=\"https:\/\/skillbox.ru\/python\/?utm_source=skillbox.media&amp;utm_medium=habr.com&amp;utm_campaign=PTNDEV&amp;utm_content=articles&amp;utm_term=neuronet\">Python programer od nule<\/a><\/noindex>.<\/p>\n<p><b>Podse\u0107amo:<\/b> <i>za sve \u010ditaoce \u201eHabra\u201c \u2014 popust od 10.000 rubalja prilikom upisa na bilo koji kurs Skillbox uz promo kod \u201eHabr\u201c.<\/i><\/p><\/blockquote>\n<p><\/p>\n<h3>Algoritam se sastoji od pet faza:<\/h3>\n<p><\/p>\n<ul>\n<li>jednostavan po\u010detak;<\/li>\n<li>potvrda gubitaka;<\/li>\n<li>provjera me\u0111urezultata i veza;<\/li>\n<li>dijagnostika parametara;<\/li>\n<li>kontrolisanje rada.<\/li>\n<\/ul>\n<p>\nAko vam ne\u0161to izgleda zanimljivije od ostalog, mo\u017eete odmah pre\u0107i na te dijelove. <\/p>\n<h3>Jednostavan po\u010detak<\/h3>\n<p>\nDebagirati neuronsku mre\u017eu sa slo\u017eenom arhitekturom, regularizacijom i planira\u010dem brzine u\u010denja je te\u017ee nego uobi\u010dajenu. Ovde malo prevari\u0107emo, jer sam deo nudi indirektnu povezanost sa debagiranjem, ali to je svejedno va\u017ena preporuka.<\/p>\n<p>Jednostavan po\u010detak podrazumijeva kreiranje pojednostavljenog modela i njegovo obu\u010davanje na jednom skupu (ta\u010dki) podataka.<\/p>\n<p><b>Prvo kreiramo pojednostavljen model<\/b><\/p>\n<p>Za brz po\u010detak, kreiramo malu mre\u017eu sa jednim skrivenim slojem i provjeravamo da li sve funkcioni\u0161e ispravno. Zatim postupno kompliku\u0458emo model, provjeravaju\u0107i svaki novi aspekt njegove strukture (dodatni sloj, parametar itd.), i idemo naprijed.<\/p>\n<p><b>Obu\u010davamo model na jedinom skupu (ta\u010dki) podataka<\/b><\/p>\n<p>Kao brzu provjeru funkcionalnosti va\u0161eg projekta mo\u017eete koristiti jednu ili dvije ta\u010dke podataka za obu\u010davanje, kako biste potvrdili ispravnost sistema. Neuronska mre\u017ea treba da poka\u017ee 100% ta\u010dnost obu\u010davanja i provjere. Ako to nije slu\u010daj, model je previ\u0161e mali ili ve\u0107 imate gre\u0161ku.<\/p>\n<p>\u010cak i ako je sve dobro, pripremite model za prolaz jedne ili vi\u0161e epoha pre nego \u0161to krenete dalje.<\/p>\n<h3>Procjena gubitaka<\/h3>\n<p>\nProcjena gubitaka je osnovni na\u010din za fino pode\u0161avanje performansi modela. Morate osigurati da gubitak odgovara zadatku, a funkcije gubitka se ocjenjuju prema ispravnoj skali. Ako koristite vi\u0161e od jednog tipa gubitka, osigurajte da su svi istog obima i ispravno skalirani.<\/p>\n<p>Va\u017eno je biti pa\u017eljiv prema po\u010detnim gubicima. Provjerite koliko se stvarni rezultat pribli\u017eava o\u010dekivanom, ako je model zapo\u010deo s nasumi\u010dnom pretpostavkom. U <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/neural-networks-3\/#baby\">radu Andreja Karpati se predla\u017ee sljede\u0107e<\/a><\/noindex>: \u201ePobrinite se da dobijete rezultat koji o\u010dekujete kada po\u010dnete raditi s malim brojem parametara. Bolje je odmah provjeriti gubitak podataka (postavljanjem stepena regularizacije na nulu). Na primjer, za CIFAR-10 s klasifikatorom Softmax o\u010dekujemo da \u0107e po\u010detni gubici biti 2.302, jer je o\u010dekivana difuzna vjerojatnost 0,1 za svaku klasu (budu\u0107i da postoji 10 klasa), a gubitak Softmax je negativna logaritamska vjerojatnost ispravne klase kao \u2013ln(0.1) = 2.302\u201c.<\/p>\n<p>Za binarni primjer, jednostavno se vr\u0161i sli\u010dan izra\u010dun za svaku od klasa. Evo, na primjer, podaci: 20% 0 i 80% 1. O\u010dekivani po\u010detni gubitak \u0107e biti do \u20130,2ln(0,5) \u20130,8ln(0,5) = 0,693147. Ako je rezultat ve\u0107i od 1, to mo\u017ee ukazivati na to da te\u017eine neuronske mre\u017ee nisu pravilno izbalansirane ili da podaci nisu normalizirani.<\/p>\n<h3>Provjeravamo me\u0111urezultate i veze <\/h3>\n<p>\nZa debagiranje neuronske mre\u017ee potrebno je razumjeti dinamiku procesa unutar mre\u017ee i ulogu pojedinih me\u0111uslojnih jedinica, budu\u0107i da su me\u0111usobno povezane. Evo tipi\u010dnih gre\u0161aka s kojima se mo\u017eete suo\u010diti:<\/p>\n<ul>\n<li>pogre\u0161ni izrazi za a\u017euriranja gradijenta;<\/li>\n<li>a\u017euriranja te\u017eina se ne primjenjuju;<\/li>\n<li>nestaju\u0107i ili eksplodiraju\u0107i gradijenti (exploding gradients).<\/li>\n<\/ul>\n<p>\nAko su vrijednosti gradijenta nulte, to zna\u010di da je brzina u\u010denja u optimizatoru previ\u0161e mala, ili da ste nai\u0161li na neispravan izraz za a\u017euriranje gradijenta.<\/p>\n<p>Osim toga, potrebno je pratiti vrijednosti aktivacijskih funkcija, te\u017eina i a\u017euriranja svakog od slojeva. Na primjer, magnitude a\u017euriranja parametara (te\u017eina i pomaka) <noindex><a rel=\"nofollow\" href=\"https:\/\/cs231n.github.io\/neural-networks-3\/#summary\">trebaju iznositi 1-e3<\/a><\/noindex>.<\/p>\n<p>Postoji fenomen koji se naziva \u201cDying ReLU\u201d ili <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Vanishing_gradient_problem\">\u201eproblem nestaju\u0107eg gradijenta\u201c<\/a><\/noindex>, kada ReLU neuroni izlaze nulu nakon \u0161to su nau\u010dili veliko negativno vrijednost (bias) za svoje te\u017eine. Ovi neuroni se nikada vi\u0161e ne\u0107e aktivirati ni na jednom mjestu u podacima.<\/p>\n<p>Mo\u017eete koristiti proveru gradijenta za identifikaciju ovih gre\u0161aka aproksimacijom gradijenta kori\u0161\u0107enjem numeri\u010dkog pristupa. Ako je blizu izra\u010dunatim gradijentima, tada je obrnuto propagiranje pravilno implementirano. Da biste stvorili proveru gradijenta, upoznajte se sa ovim fantasti\u010dnim resursima iz CS231 <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/neural-networks-3\/#gradcheck\">ovde<\/a><\/noindex> i <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/optimization-1\/#gradcompute\">ovde<\/a><\/noindex>, kao i sa <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?v=P6EtCVrvYPU\">lekcijom<\/a><\/noindex> Endrua Nga (Andrew Nga) o ovoj temi.<\/p>\n<p><noindex>Faizan Sheikh<\/noindex> navodi tri glavna metoda vizuelizacije neuronskih mre\u017ea:<\/p>\n<ul>\n<li>Predmetne \u2014 jednostavne metode koje nam pokazuju op\u0161tu strukturu obu\u010dene mre\u017ee. One uklju\u010duju ispitivanje oblika ili filtera pojedina\u010dnih slojeva neuronske mre\u017ee i parametara u svakom sloju.<\/li>\n<li> Zasnovane na aktivaciji. One mogu da dekodiraju aktivnosti pojedinih neurona ili grupa neurona kako bismo razumeli njihove funkcije.<\/li>\n<li> Zasnovane na gradijentima. Ove metode obi\u010dno manipuli\u0161u gradijentima koji se formiraju tokom unaprednog i unazadnog prolaza pri obuci modela (uklju\u010duju\u0107i mape zna\u010daja i mape aktivacije klase).<\/li>\n<\/ul>\n<p>\nPostoji nekoliko korisnih alata za vizuelizaciju aktivacija i veza pojedina\u010dnih slojeva, kao \u0161to su <noindex><a rel=\"nofollow\" href=\"https:\/\/conx.readthedocs.io\/en\/latest\/Getting%20Started%20with%20conx.html#What-is-ConX?\">ConX<\/a><\/noindex> i <noindex><a rel=\"nofollow\" href=\"https:\/\/www.tensorflow.org\/guide\/tensorboard_histograms\">Tensorboard<\/a><\/noindex>.<\/p>\n<p><img decoding=\"async\" alt=\"Radimo s neuronskim mre\u017eama: kontrolna lista za pode\u0161avanje\" src=\"\/wp-content\/uploads\/2019\/03\/56e7e88983d6772ef482bc8396dd52a2.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n <\/p>\n<h3>Dijagnostika parametara<\/h3>\n<p>\nNeuronske mre\u017ee imaju ogroman broj parametara koji me\u0111usobno deluju, \u0161to ote\u017eava optimizaciju. U su\u0161tini, ovaj deo je predmet aktivnih istra\u017eivanja stru\u010dnjaka, tako da se predlozi u nastavku treba smatrati samo savetima, po\u010detnim ta\u010dkama od kojih se mo\u017ee krenuti.<\/p>\n<p><b>Veli\u010dina serije<\/b> (batch size) \u2014 ako je potrebno, veli\u010dina serije treba da bude dovoljno velika da obezbedi ta\u010dne procene gradijenta gre\u0161ke, ali dovoljno mala da stohasti\u010dki gradijentni spust (SGD) mo\u017ee da upravlja va\u0161om mre\u017eom. Male veli\u010dine serija dovode do brzog konvergiranja zbog \u0161uma tokom obuke i kasnijih pote\u0161ko\u0107a u optimizaciji. Vi\u0161e o tome je opisano <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1609.04836\">ovde<\/a><\/noindex>.<\/p>\n<p><b>Brzina u\u010denja<\/b> \u2014 previ\u0161e niska dovodi do sporog konvergiranja ili rizika od zastoja u lokalnim minimumima. Istovremeno, visoka brzina u\u010denja uzrokova\u0107e divergenciju optimizacije, jer rizikujete da \"presko\u010dite\" duboki, ali uski deo funkcije gubitka. Poku\u0161ajte koristiti planiranje brzine kako biste je smanjili tokom obuke neuronske mre\u017ee. U kursu CS231n <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/neural-networks-3\/\">Postoji veliki odjeljak posve\u0107en ovom problemu<\/a><\/noindex>.<\/p>\n<p><b>Ograni\u010denje gradijenata<\/b>\u2014 obezbe\u0111ivanje gradijenata parametara tokom unazadne propagacije prema maksimalnoj vrednosti ili ograni\u010denoj normi. Korisno je za re\u0161avanje problema sa bilo kojim eksplozivnim gradijentima s kojima se mo\u017eete susresti u tre\u0107em delu.<\/p>\n<p><b>Batch normalizacija<\/b> \u2014 koristi se za normalizaciju ulaznih podataka svakog sloja, \u0161to omogu\u0107ava re\u0161enje problema unutra\u0161njeg kovarijantnog pomeranja. Ako koristite Dropout i Batch Norm zajedno, <noindex><a rel=\"nofollow\" href=\"https:\/\/towardsdatascience.com\/pitfalls-of-batch-norm-in-tensorflow-and-sanity-checks-for-training-networks-e86c207548c8\">upoznajte se sa ovim \u010dlankom<\/a><\/noindex>.<\/p>\n<p><b>Stohasti\u010dki gradijentni spust (SGD)<\/b> \u2014 postoje razli\u010dite varijante SGD koje koriste moment, adaptivne brzine u\u010denja i Nesterov metod. Me\u0111utim, nijedna od njih nema o\u010diglednu prednost u pogledu efikasnosti u\u010denja ili generalizacije (<noindex><a rel=\"nofollow\" href=\"http:\/\/ruder.io\/optimizing-gradient-descent\/\">detalji ovde<\/a><\/noindex>).<\/p>\n<p><b>Regulacija<\/b> \u2014 je klju\u010dna za izgradnju modela koji se mo\u017ee generalizovati, jer dodaje kaznu za slo\u017eenost modela ili ekstremne vrednosti parametara. To je na\u010din smanjenja varijance modela bez zna\u010dajnog pove\u0107anja njenog pristrasnosti. Vi\u0161e <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/neural-networks-3\/#ratio\">detalja \u2014 ovde<\/a><\/noindex>.<\/p>\n<p>Da biste sami sve procenili, potrebno je isklju\u010diti regulaciju i proveriti gradijent gubitka podataka samostalno.<\/p>\n<p><b>Dropout <\/b>\u2014 jo\u0161 jedna metoda organizovanja va\u0161e mre\u017ee kako bi se spre\u010dila prekomerna optere\u0107enja. Tokom obuke, dropout se ostvaruje samo odr\u017eavanjem aktivnosti neurona sa odre\u0111enom verovatno\u0107om p (hiperparametar) ili pode\u0161avanjem na nulu u suprotnom slu\u010daju. Kao rezultat, mre\u017ea mora koristiti druga\u010diji podskup parametara za svaku obu\u010dnu seriju, \u0161to smanjuje promene odre\u0111enih parametara koji postaju dominantni.<\/p>\n<p>Va\u017eno: ako koristite i dropout i batch normalizaciju, budite oprezni sa redosledom ovih operacija ili \u010dak sa njihovom zajedni\u010dkom upotrebom. Sve to jo\u0161 uvek aktivno se raspravlja i dopunjuje. Evo dve va\u017ene diskusije na ovu temu <noindex><a rel=\"nofollow\" href=\"https:\/\/stackoverflow.com\/questions\/39691902\/ordering-of-batch-normalization-and-dropout\">na Stackoverflow<\/a><\/noindex> i <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1801.05134\">Arxiv<\/a><\/noindex>.<\/p>\n<h3>Kontrola rada<\/h3>\n<p>\nRadi se o dokumentovanju radnih procesa i eksperimenata. Ako ni\u0161ta ne dokumentujete, mo\u017eete zaboraviti, na primjer, koja se brzina u\u010denja koristi ili te\u017eina klasa. Zahvaljuju\u0107i kontroli, mo\u017eete lako pregledati i reproducirati prethodne eksperimente. To omogu\u0107ava smanjenje broja dupliciranih eksperimenata.<\/p>\n<p>Naravno, ru\u010dno dokumentovanje mo\u017ee postati slo\u017een zadatak u slu\u010daju velikog obima rada. Tu dolaze u pomo\u0107 alati poput Comet.ml, koji poma\u017eu u automatskom bele\u017eenju setova podataka, promena koda, istorije eksperimenata i proizvodnih modela, uklju\u010duju\u0107i klju\u010dne informacije o va\u0161em modelu (hiperparametri, pokazatelji performansi modela i informacije o okru\u017eenju).<\/p>\n<p>Neuronska mre\u017ea mo\u017ee biti veoma osetljiva na male promene, \u0161to mo\u017ee dovesti do smanjenja performansi modela. Pra\u0107enje i dokumentovanje rada je prvi korak koji treba preduzeti kako bi se standardizovalo okru\u017eenje i modeliranje.<\/p>\n<p><img decoding=\"async\" alt=\"Radimo s neuronskim mre\u017eama: kontrolna lista za pode\u0161avanje\" src=\"\/wp-content\/uploads\/2019\/03\/37b3e4ef97ea39a3d28ffca5c1dbf1e5.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n <br \/>\nNadam se da \u0107e ovaj post postati polazna ta\u010dka sa kojom \u0107ete zapo\u010deti pode\u0161avanje va\u0161e neuronske mre\u017ee.<\/p>\n<blockquote><p><b>Skillbox preporu\u010duje:<\/b><\/p>\n<ul>\n<li>Dvogodi\u0161nji prakti\u010dni kurs <noindex><a rel=\"nofollow\" href=\"https:\/\/iamwebdev.skillbox.ru\/?utm_source=skillbox.media&amp;utm_medium=habr.com&amp;utm_campaign=WEBDEVPRO&amp;utm_content=articles&amp;utm_term=neuronet\">\u201eJa sam PRO web razvija\u010d\u201c<\/a><\/noindex>.<\/li>\n<li>Online kurs <noindex><a rel=\"nofollow\" href=\"https:\/\/skillbox.ru\/c-sharp\/?utm_source=skillbox.media&amp;utm_medium=habr.com&amp;utm_campaign=CSHDEV&amp;utm_content=articles&amp;utm_term=neuronet\">\u201eC# razvija\u010d od nule\u201c<\/a><\/noindex>.<\/li>\n<li>Prakti\u010dni godi\u0161nji kurs <noindex><a rel=\"nofollow\" href=\"https:\/\/skillbox.ru\/php\/?utm_source=skillbox.media&amp;utm_medium=habr.com&amp;utm_campaign=PHPDEV&amp;utm_content=articles&amp;utm_term=neuronet\">\u201ePHP developer od 0 do PRO\u201c<\/a><\/noindex>.\n<\/li>\n<\/ul>\n<\/blockquote>\n<p>Izvor: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/skillbox\/blog\/444684\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041a\u043e\u0434 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0445 \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u043e\u0432 \u0434\u043b\u044f \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0447\u0430\u0441\u0442\u043e \u0431\u044b\u0432\u0430\u0435\u0442 \u0441\u043b\u043e\u0436\u043d\u044b\u043c \u0438 \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u0437\u0430\u043f\u0443\u0442\u0430\u043d\u043d\u044b\u043c. \u041e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u0435 \u0438 \u043b\u0438\u043a\u0432\u0438\u0434\u0430\u0446\u0438\u044f \u0431\u0430\u0433\u043e\u0432 \u0432 \u043d\u0435\u043c \u2014 \u0440\u0435\u0441\u0443\u0440\u0441\u043e\u0435\u043c\u043a\u0430\u044f \u0437\u0430\u0434\u0430\u0447\u0430. \u0414\u0430\u0436\u0435 \u043f\u0440\u043e\u0441\u0442\u0435\u0439\u0448\u0438\u0435 \u043d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0438 \u0441 \u043f\u0440\u044f\u043c\u043e\u0439 \u0441\u0432\u044f\u0437\u044c\u044e \u0442\u0440\u0435\u0431\u0443\u044e\u0442 \u0441\u0435\u0440\u044c\u0435\u0437\u043d\u043e\u0433\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u043a \u0441\u0435\u0442\u0435\u0432\u043e\u0439 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0435, \u0438\u043d\u0438\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0432\u0435\u0441\u043e\u0432, \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u0438 \u0441\u0435\u0442\u0438. \u041d\u0435\u0431\u043e\u043b\u044c\u0448\u0430\u044f \u043e\u0448\u0438\u0431\u043a\u0430 \u043c\u043e\u0436\u0435\u0442 \u043f\u0440\u0438\u0432\u0435\u0441\u0442\u0438 \u043a \u043f\u043e\u044f\u0432\u043b\u0435\u043d\u0438\u044e \u043d\u0435\u043f\u0440\u0438\u044f\u0442\u043d\u044b\u0445 \u043f\u0440\u043e\u0431\u043b\u0435\u043c. \u042d\u0442\u0430 \u0441\u0442\u0430\u0442\u044c\u044f \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u0430 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u0443 \u043e\u0442\u043b\u0430\u0434\u043a\u0438 \u0432\u0430\u0448\u0438\u0445 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439. Skillbox \u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u0443\u0435\u0442: [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-30028","post","type-post","status-publish","format-standard","hentry"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.5.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041a\u043e\u0434 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0445 \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u043e\u0432 \u0434\u043b\u044f \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/bs\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.5.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"bs_BA\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u0420\u0430\u0431\u043e\u0442\u0430\u0435\u043c \u0441 \u043d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u044f\u043c\u0438: \u0447\u0435\u043a-\u043b\u0438\u0441\u0442 \u0434\u043b\u044f \u043e\u0442\u043b\u0430\u0434\u043a\u0438 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041a\u043e\u0434 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0445 \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u043e\u0432 \u0434\u043b\u044f \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/bs\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T18:33:18+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T18:33:18+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47 Radimo sa neuronskim mre\u017eama: kontrolna lista za pode\u0161avanje | ProHoster","description":"Kod softverskih proizvoda za ma\u0161insko u\u010denje.","canonical_url":"https:\/\/prohoster.info\/bs\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"bs_BA","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u0420\u0430\u0431\u043e\u0442\u0430\u0435\u043c \u0441 \u043d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u044f\u043c\u0438: \u0447\u0435\u043a-\u043b\u0438\u0441\u0442 \u0434\u043b\u044f \u043e\u0442\u043b\u0430\u0434\u043a\u0438 | ProHoster","og:description":"\u041a\u043e\u0434 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u043d\u044b\u0445 \u043f\u0440\u043e\u0434\u0443\u043a\u0442\u043e\u0432 \u0434\u043b\u044f \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e.","og:url":"https:\/\/prohoster.info\/bs\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:33:18+00:00","article:modified_time":"2019-10-31T18:33:18+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"30028","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"Article","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-20 23:28:27","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 03:43:15","updated":"2026-01-20 23:28:27","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/posts\/30028","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/comments?post=30028"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/posts\/30028\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/media?parent=30028"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/categories?post=30028"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/tags?post=30028"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}