{"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\/sl\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki","title":{"rendered":"Delamo z nevronskimi mre\u017eami: kontrolni seznam za odpravljanje napak","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><img decoding=\"async\" alt=\"Delamo z nevronskimi mre\u017eami: kontrolni seznam za odpravljanje napak\" src=\"\/wp-content\/uploads\/2019\/03\/8ce45093bfe44092cb25d947c32bb0b5.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n <br \/>\nKoda programske opreme za strojno u\u010denje so pogosto zapletena in precej zmedena. Odkrivanje in odpravljanje napak v njej je zahtevna naloga. Tudi najpreprostej\u0161e <noindex><a rel=\"nofollow\" href=\"https:\/\/cs.stanford.edu\/people\/eroberts\/courses\/soco\/projects\/neural-networks\/Architecture\/feedforward.html\">nevronske mre\u017ee s povratnimi povezavami<\/a><\/noindex> zahtevajo resen pristop k omre\u017eni arhitekturi, inicializaciji te\u017ee, optimizaciji mre\u017ee. Mala napaka lahko pripelje do neprijetnih te\u017eav.<\/p>\n<p>Ta \u010dlanek je posve\u010den algoritmu za odpravljanje napak va\u0161ih nevronskih mre\u017e.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<blockquote><p><b>Skillbox priporo\u010da:<\/b> Prakti\u010dni te\u010daj <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 razvijalec od za\u010detka<\/a><\/noindex>.<\/p>\n<p><b>Opominjamo:<\/b> <i>za vse bralce \u00bbHabra\u00ab \u2014 popust 10 000 rubljev ob vpisu na kateri koli te\u010daj Skillbox s promo kodo \u00bbHabr\u00ab.<\/i><\/p><\/blockquote>\n<p><\/p>\n<h3>Algoritem se sestavlja iz petih faz:<\/h3>\n<p><\/p>\n<ul>\n<li>preprost za\u010detek;<\/li>\n<li>potrditev izgub;<\/li>\n<li>preverjanje srednjih rezultatov in povezav;<\/li>\n<li>diagnostika parametrov;<\/li>\n<li>nadzor delovanja.<\/li>\n<\/ul>\n<p>\n\u010ce vam je kaj posebej zanimivo, lahko takoj preidete na te odseke. <\/p>\n<h3>Preprost za\u010detek<\/h3>\n<p>\nTe\u017eko je odpravljati napake v nevronski mre\u017ei s kompleksno arhitekturo, regularizacijo in na\u010drtovalnikom hitrosti u\u010denja, kot v obi\u010dajni. Tukaj se nekoliko pretvarjamo, ker ima ta to\u010dka k odpravljanju napak posreden odnos, a je kljub temu pomembno priporo\u010dilo.<\/p>\n<p>Preprost za\u010detek vklju\u010duje ustvarjanje poenostavljene modele in njegovo u\u010denje na enem nizu (to\u010dki) podatkov.<\/p>\n<p><b>Najprej ustvarimo poenostavljeno mre\u017eo<\/b><\/p>\n<p>Za hiter za\u010detek ustvarimo majhno mre\u017eo z enim skritim slojem in preverimo, da vse deluje pravilno. Nato postopoma zapletamo model in preverjamo vsak nov vidik njene strukture (dodaten sloj, parameter itd.), ter gremo naprej.<\/p>\n<p><b>U\u010dimo model na enem nizu (to\u010dki) podatkov<\/b><\/p>\n<p>Kot hitro preverjanje delovanja va\u0161ega projekta lahko uporabite enega ali dva podatkovna to\u010dka za u\u010denje, da potrdite, ali sistem deluje pravilno. Nevronska mre\u017ea mora pokazati 100 % natan\u010dnost pri u\u010denju in preverjanju. \u010ce ni tako, je bodisi model premajhen bodisi imate \u017ee napako.<\/p>\n<p>Tudi \u010de je vse v redu, pripravite model na enega ali ve\u010d prehodov pred nadaljevanjem.<\/p>\n<h3>Ocena izgub<\/h3>\n<p>\nOcena izgub je glavni na\u010din za natan\u010dno preu\u010ditev zmogljivosti modela. Preveriti morate, ali izguba ustreza nalogi ter ali se funkcije izgub ocenjujejo na pravilni lestvici. \u010ce uporabljate ve\u010d kot en tip izgub, se prepri\u010dajte, da so vsi enakega reda in pravilno skalirani.<\/p>\n<p>Pomembno je biti pozoren na za\u010detne izgube. Preverite, kako blizu je dejanski rezultat pri\u010dakovanemu, \u010de je model za\u010del s slu\u010dajnim predvidevanjem. V <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/neural-networks-3\/#baby\">delu Andreja Karpati je predlagano naslednje<\/a><\/noindex>: \u201ePrepri\u010dajte se, da dobivate rezultate, ki jih pri\u010dakujete ob za\u010detku dela z majhnim \u0161tevilom parametrov. Bolje je takoj preveriti izgubo podatkov (s postavitvijo stopnje regularizacije na ni\u010d). Na primer, za CIFAR-10 z klasifikatorjem Softmax pri\u010dakujemo, da bodo za\u010detne izgube 2.302, ker je pri\u010dakovana difuzna verjetnost 0,1 za vsak razred (ker je 10 razredov), izguba Softmax pa je negativna logaritmi\u010dna verjetnost pravilnega razreda, kot je \u2013ln (0.1) = 2.302\u201c.<\/p>\n<p>Za binarni primer se samo izvede sli\u010dna kalkulacija za svaku od klasa. Evo, na primer, podaci: 20% 0-ova i 80% 1-ica. O\u010dekivani po\u010detni gubitak \u0107e iznositi 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 normalizovani.<\/p>\n<h3>Preverjamo vmesne rezultate in povezave <\/h3>\n<p>\nZa odpravljanje napak v nevronski mre\u017ei je treba razumeti dinamiko procesov znotraj omre\u017eja in vlogo posameznih vmesnih plasti, saj so povezani. Tukaj so tipi\u010dne napake, s katerimi se lahko sre\u010date:<\/p>\n<ul>\n<li>napa\u010dne izraze za posodobitve gradienta;<\/li>\n<li>posodobitve ute\u017ei se ne uporabljajo;<\/li>\n<li>izgubljeni ali eksplodirajo\u010di gradienti (exploding gradients).<\/li>\n<\/ul>\n<p>\n\u010ce so vrednosti gradienta ni\u010delne, to pomeni, da je hitrost u\u010denja v optimizatorju prenizka, ali pa ste naleteli na nepravilno izrazo za posodobitev gradienta.<\/p>\n<p>Poleg tega je treba spremljati vrednosti funkcij aktivacije, ute\u017ei in posodobitve vsakega od plasti. Na primer, obseg posodobitev parametrov (ute\u017ei in premiki) <noindex><a rel=\"nofollow\" href=\"https:\/\/cs231n.github.io\/neural-networks-3\/#summary\">bi moral zna\u0161ati 1-e3<\/a><\/noindex>.<\/p>\n<p>Obstaja pojav, ki ga imenujemo \u201eDying ReLU\u201c ali <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Vanishing_gradient_problem\">\u201eproblem izgubljenega gradienta\u201c<\/a><\/noindex>, ko nevroni ReLU vrnejo ni\u010d po u\u010denju velike negativne vrednosti (bias) premika za njihove ute\u017ei. Ti nevroni se nikoli ve\u010d ne aktivirajo nikjer v podatkih.<\/p>\n<p>Mo\u017eete koristiti provjeru gradijenta kako biste otkrili te pogre\u0161ke aproksimacijom gradijenta kori\u0161tenjem numeri\u010dkog pristupa. Ako je blizu izra\u010dunatim gradijentima, tada je povratno \u0161irenje pravilno implementirano. Da biste stvorili provjeru gradijenta, upoznajte se s ovim izvrsnim resursima iz CS231. <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/neural-networks-3\/#gradcheck\">ovde<\/a><\/noindex> in <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/optimization-1\/#gradcompute\">ovde<\/a><\/noindex>, kao i s <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?v=P6EtCVrvYPU\">lekcijom<\/a><\/noindex> Andrews Nga o ovoj temi.<\/p>\n<p><noindex>Faizan Sheikh<\/noindex> navodi tri glavne metode vizualizacije neuronske mre\u017ee:<\/p>\n<ul>\n<li>Predhodne \u2014 jednostavne metode koje nam prikazuju op\u0107u strukturu treniranog modela. One uklju\u010duju ispu\u0161tanje oblika ili filtara pojedinih slojeva neuronske mre\u017ee te parametara u svakom sloju.<\/li>\n<li> Temeljene na aktivaciji. U njima dekodiramo aktivacije pojedinih neurona ili grupa neurona kako bismo razumjeli njihove funkcije.<\/li>\n<li> Temeljene na gradijentima. Ove metode imaju tendenciju manipulacije gradijentima koji se formiraju tijekom naprijed i nazad prolaza prilikom treniranja modela (uklju\u010duju\u0107i karte va\u017enosti i karte aktivacije klase).<\/li>\n<\/ul>\n<p>\nPostoji nekoliko korisnih alata za vizualizaciju aktivacija i veza pojedinih slojeva, poput <noindex><a rel=\"nofollow\" href=\"https:\/\/conx.readthedocs.io\/en\/latest\/Getting%20Started%20with%20conx.html#What-is-ConX?\">ConX<\/a><\/noindex> in <noindex><a rel=\"nofollow\" href=\"https:\/\/www.tensorflow.org\/guide\/tensorboard_histograms\">Tensorboard<\/a><\/noindex>.<\/p>\n<p><img decoding=\"async\" alt=\"Delamo z nevronskimi mre\u017eami: kontrolni seznam za odpravljanje napak\" 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 mno\u0161tvo parametara koji me\u0111usobno djeluju, \u0161to ote\u017eava optimizaciju. Zapravo, ovaj odjeljak je predmet aktivnih istra\u017eivanja stru\u010dnjaka, stoga se prijedlozi u nastavku trebaju smatrati samo savjetima, po\u010detnim to\u010dkama s kojih se mo\u017ee polaziti.<\/p>\n<p><b>Veli\u010dina paketa<\/b> (batch size) \u2014 ako je potrebno, veli\u010dina paketa treba biti dovoljno velika za dobivanje to\u010dnih procjena gradijenta pogre\u0161ke, ali dovoljno mala da stohasti\u010dka metoda gradijentnog spu\u0161tanja (SGD) mo\u017ee urediti va\u0161u mre\u017eu. Male veli\u010dine paketa dovest \u0107e do brze konvergencije zbog \u0161uma u procesu u\u010denja i kasnijih pote\u0161ko\u0107a s optimizacijom. 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 \u0107e dovesti do spore konvergencije ili rizika da se zaglavite u lokalnim minimumima. U isto vrijeme, visoka brzina u\u010denja \u0107e izazvati divergenciju optimizacije, budu\u0107i da riskirate \"iskakanje\" kroz dubok, ali uski dio funkcije gubitka. Poku\u0161ajte koristiti planiranje brzine kako biste je smanjili tijekom u\u010denja neuronske mre\u017ee. U te\u010daju CS231n. <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/neural-networks-3\/\">Obstaja velik razdelek, posve\u010den tej te\u017eavi<\/a><\/noindex>.<\/p>\n<p><b>Gradijentna obrezovanje<\/b>\u2014 obrezovanje gradijentov parametrov med povratnim \u0161irjenjem do najve\u010dje vrednosti ali omejene norme. Uporabno za re\u0161evanje te\u017eav z eksplodirajo\u010dimi gradienti, s katerimi se lahko sre\u010date v tretji to\u010dki.<\/p>\n<p><b>Paketa normalizacija<\/b> \u2014 se uporablja za normalizacijo vhodnih podatkov vsake plasti, kar pomaga re\u0161iti te\u017eavo notranjega premika kovariacij. \u010ce uporabljate Dropout in Batch Norma skupaj, <noindex><a rel=\"nofollow\" href=\"https:\/\/towardsdatascience.com\/pitfalls-of-batch-norm-in-tensorflow-and-sanity-checks-for-training-networks-e86c207548c8\">se seznanite s tem \u010dlankom<\/a><\/noindex>.<\/p>\n<p><b>Stohasti\u010dni gradientni spust (SGD)<\/b> \u2014 obstaja ve\u010d razli\u010dic SGD, ki uporabljajo zagon, prilagodljive hitrosti u\u010denja in Nesterov na\u010din. Pri tem nobena od njih nima o\u010ditne prednosti glede u\u010dinkovitosti u\u010denja ali generalizacije (<noindex><a rel=\"nofollow\" href=\"http:\/\/ruder.io\/optimizing-gradient-descent\/\">podrobnosti tukaj<\/a><\/noindex>).<\/p>\n<p><b>Redukcija<\/b> \u2014 je klju\u010dnega pomena za izgradnjo generalizabilnega modela, saj dodaja kazen za kompleksnost modela ali ekstremne vrednosti parametrov. To je na\u010din za zmanj\u0161anje variance modela brez znatnega pove\u010danja njegovega pristranskosti. Ve\u010d <noindex><a rel=\"nofollow\" href=\"http:\/\/cs231n.github.io\/neural-networks-3\/#ratio\">podrobnih informacij \u2014 tukaj<\/a><\/noindex>.<\/p>\n<p>Da bi vse sami ocenili, morate onemogo\u010diti regularizacijo in sami preveriti gradijent izgube podatkov.<\/p>\n<p><b>Dropout <\/b>\u2014 \u0161e ena metoda za organizacijo va\u0161e mre\u017ee, da prepre\u010dite prenajedanje. Med u\u010denjem se dropout izvaja le z ohranjanjem aktivacije nevrona z dolo\u010deno verjetnostjo p (hiperparameter) ali njegovo nastavitvijo na ni\u010d v nasprotnem primeru. Tako mora mre\u017ea uporabiti drugo podmno\u017eico parametrov za vsak izobra\u017eevalni paket, kar zmanj\u0161a prilagoditve dolo\u010denih parametrov, ki postanejo prevladujo\u010di.<\/p>\n<p>Pomembno: \u010ce uporabljate tako dropout kot tudi paketno normalizacijo, bodite previdni pri vrstnem redu teh operacij ali celo pri njihovem skupnem uporabi. Vse to je \u0161e vedno aktivno razpravljalo in dopolnjevalo. Tu sta dve pomembni razpravi o tej temi <noindex><a rel=\"nofollow\" href=\"https:\/\/stackoverflow.com\/questions\/39691902\/ordering-of-batch-normalization-and-dropout\">na Stackoverflow<\/a><\/noindex> in <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1801.05134\">Arxiv<\/a><\/noindex>.<\/p>\n<h3>Nadzor dela<\/h3>\n<p>\nGre za dokumentacijo delovnih procesov in eksperimentov. \u010ce ni\u010d ne dokumentiramo, lahko pozabimo, katera hitrost u\u010denja ali te\u017ea razredov se uporablja. Z nadzorom lahko brez te\u017eav pregledamo in ponovimo prej\u0161nje eksperimenta. To omogo\u010da zmanj\u0161anje \u0161tevila podvojenih eksperimentov.<\/p>\n<p>Res je, da lahko ro\u010dna dokumentacija postane zahtevna naloga v primeru velikega obsega dela. Tukaj prisko\u010dijo na pomo\u010d orodja, kot je Comet.ml, ki avtomatsko bele\u017eijo nabor podatkov, spremembe kode, zgodovino eksperimentov in proizvodne modele, vklju\u010dno s klju\u010dnimi informacijami o va\u0161em modelu (hiperparametri, zmogljivostni kazalniki modela in informacije o okolju).<\/p>\n<p>Nevronska mre\u017ea je lahko zelo ob\u010dutljiva na majhne spremembe, kar lahko privede do padca zmogljivosti modela. Sledenje in dokumentacija dela je prvi korak, ki ga je treba sprejeti za standardizacijo okolja in modeliranja.<\/p>\n<p><img decoding=\"async\" alt=\"Delamo z nevronskimi mre\u017eami: kontrolni seznam za odpravljanje napak\" src=\"\/wp-content\/uploads\/2019\/03\/37b3e4ef97ea39a3d28ffca5c1dbf1e5.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n <br \/>\nUpam, da bo ta objava lahko postala izhodi\u0161\u010dna to\u010dka, s katero boste za\u010deli odpravljati napake svoje nevronske mre\u017ee.<\/p>\n<blockquote><p><b>Skillbox priporo\u010da:<\/b><\/p>\n<ul>\n<li>\u0414\u0432\u0443\u0445\u043b\u0435\u0442\u043d\u0438\u0439 \u043f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u043a\u0443\u0440\u0441 <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\">\u00ab\u042f \u2014 \u0432\u0435\u0431-\u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a PRO\u00bb<\/a><\/noindex>.<\/li>\n<li>Spletni te\u010daj <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\">C# razvijalec z ni\u010d<\/a><\/noindex>.<\/li>\n<li>\u041f\u0440\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0433\u043e\u0434\u043e\u0432\u043e\u0439 \u043a\u0443\u0440\u0441 <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\">\u00abPHP-\u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a \u0441 0 \u0434\u043e PRO\u00bb<\/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 - 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\/sl\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.5\" \/>\n\t\t<meta property=\"og:locale\" content=\"sl_SI\" \/>\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\/sl\/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 Delo z nevronskimi mre\u017eami: kontrolni seznam za odpravljanje napak | ProHoster","description":"Koda programske opreme za strojno.","canonical_url":"https:\/\/prohoster.info\/sl\/blog\/rabotaem-s-nejrosetyami-chek-list-dlya-otladki","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"sl_SI","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\/sl\/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\/sl\/wp-json\/wp\/v2\/posts\/30028","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/comments?post=30028"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/posts\/30028\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/media?parent=30028"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/categories?post=30028"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/tags?post=30028"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}