پالیسی ٹریننگ

اپنے GPU کے بغیر ٹریننگ

مینیپولیشن پالیسی ٹرین کرنا ایک GPU ورک لوڈ ہے، اور جدید ویژن لینگویج ایکشن ماڈلز کو ایک عام ورک اسٹیشن سے زیادہ VRAM چاہیے۔ AY-Robots پر، ٹریننگ پلیٹ فارم کے زیرِ انتظام کلاؤڈ GPUs پر چلتی ہے: آپ ایک ڈیٹاسیٹ اور پالیسی ٹائپ منتخب کرتے ہیں، رن شروع کرتے ہیں، اور براؤزر سے اس کی پیشرفت دیکھتے ہیں۔ کوئی CUDA سیٹ اپ نہیں، کوئی ڈرائیور میچنگ نہیں، اور برقرار رکھنے کے لیے کوئی انوائرنمنٹ نہیں۔

ان پٹ ہمیشہ Dashboard > Datasets سے ایک کلاؤڈ ڈیٹاسیٹ ہوتا ہے۔ ٹیلی آپریشن سیشنز کے ذریعے آپ نے جو کچھ بھی ریکارڈ کیا یا LeRobot فارمیٹ میں اپ لوڈ کیا، مرج شدہ ڈیٹاسیٹس سمیت، سب اہل ہے۔ ٹرین کرنے سے پہلے کیوریٹ کریں: Failure لیبل والے ایپیسوڈز عام طور پر ٹریننگ سیٹ سے باہر رہنے چاہئیں، اور ایپیسوڈ براؤزر میں دس منٹ کا جائزہ خراب ڈیمانسٹریشنز سے سیکھنے میں خرچ ہونے والے GPU کے گھنٹوں کی بچت کرتا ہے۔

سپورٹڈ پالیسیز

چار پالیسی خاندان سپورٹڈ ہیں۔ یہ سائز، ٹریننگ لاگت، اور آپ کے ڈیٹا سے کتنا جذب کر سکتے ہیں اس میں مختلف ہیں، اس لیے صحیح انتخاب کسی عمومی رینکنگ سے زیادہ آپ کے ٹاسک اور ڈیٹاسیٹ پر منحصر ہے۔

ایک رن شروع کرنا

1. 1
   ڈیٹاسیٹ منتخب کریں

   Dashboard > Training کھولیں اور جس ڈیٹاسیٹ پر ٹرین کرنا ہے اسے منتخب کریں۔ ایپیسوڈ کاؤنٹ اور روبوٹ ٹائپ دکھائے جاتے ہیں تاکہ آپ تصدیق کر سکیں کہ آپ نے صحیح والا منتخب کیا۔

2. 2
   پالیسی منتخب کریں

   سپورٹڈ پالیسی اقسام میں سے ایک منتخب کریں۔ اگر یقین نہیں، تو ACT سے شروع کریں: یہ جاننے کا سب سے سستا طریقہ کہ آیا آپ کا ڈیٹاسیٹ کچھ بھی ٹرین کرنے کے لیے کافی اچھا ہے۔

3. 3
   لانچ کریں

   رن شروع کریں۔ اسے ایک جاب آئی ڈی اور اپنا رن صفحہ ملتا ہے، اور آپ براؤزر بند کر سکتے ہیں: ٹریننگ سرور سائیڈ پر جاری رہتی ہے اور آپ کے واپس آنے پر صفحہ لائیو حالت دکھاتا ہے۔

ٹریننگ رن صفحہ

ہر رن کا اپنا مخصوص صفحہ ہے جو ٹریننگ کے دوران آپ کے پاس واقعی موجود دو سوالات کا جواب دیتا ہے: کیا یہ سیکھ رہا ہے، اور کیا مشین صحت مند ہے۔ سیکھنے کی پیشرفت loss کے چارٹس، لرننگ ریٹ شیڈول، اور گریڈینٹ نارم کے طور پر دکھائی جاتی ہے۔ ایک loss جو فوری طور پر پلیٹو ہو جائے یا ایک گریڈینٹ نارم جو پھٹ جائے آپ کو جلدی بتا دیتا ہے کہ رن کا انتظار کرنا فائدہ مند نہیں۔

مشین کی صحت ساتھ ساتھ دکھائی جاتی ہے: GPU استعمال اور میموری، ساتھ میں ٹریننگ مشین کے ہوسٹ میٹرکس۔ ایک فیز ٹائم لائن دکھاتی ہے کہ رن اس وقت کہاں ہے، انوائرنمنٹ کی تیاری سے لے کر ڈیٹا لوڈنگ، خود ٹریننگ لوپ، اور چیک پوائنٹ اپ لوڈ تک۔ جب کچھ غلط لگے، بلٹ ان لاگ ویور آپ کو بغیر کسی SSH رسائی کے خام ٹریننگ لاگز دیتا ہے، جو عام طور پر یہ دیکھنے کے لیے کافی ہے کہ ناکامی آپ کے ڈیٹاسیٹ کی ہے یا رن کی خود۔

چیک پوائنٹس اور دوبارہ شروع کرنا

چیک پوائنٹس فی رن محفوظ کیے جاتے ہیں، کسی مشترکہ پول میں نہیں، اس لیے ایک رن صفحے پر درج چیک پوائنٹس ہمیشہ بالکل اسی رن اور اس کی کنفیگریشن سے تعلق رکھتے ہیں۔ یہ جتنا لگتا ہے اس سے زیادہ اہم ہے: مختلف سیٹنگز والے رنز کے درمیان چیک پوائنٹس ملانا خاموشی سے خراب ہونے والی پالیسیز کا ایک کلاسک ذریعہ ہے۔

اگر کوئی رن رک جائے، تو آپ دوبارہ شروع کرنے کے بجائے اس کے آخری چیک پوائنٹ سے دوبارہ شروع کر سکتے ہیں۔ درمیانی چیک پوائنٹس بھی خود کارآمد ہوتے ہیں: جب ایک طویل رن آخر کے قریب اوورفٹ ہونا شروع کرتا ہے، تو ایک پہلے کا چیک پوائنٹ اکثر آخری چیک پوائنٹ سے بہتر طور پر اصل آرم پر چلتا ہے۔

اپنے آرم پر ٹرینڈ پالیسی چلانا

ایک مکمل شدہ پالیسی براہ راست آپ کے روبوٹ پر ڈیپلائے کی جا سکتی ہے۔ کاک پٹ میں، اپنے کنیکٹڈ آرم کے لیے ٹرینڈ پالیسی منتخب کریں اور انفرنس شروع کریں: اب پالیسی وہ جوائنٹ کمانڈز پیدا کرتی ہے جو پہلے آپ ٹیلی آپریشن کے ذریعے پیدا کرتے تھے۔ آرم اسی روبوٹ ٹائپ کا ہونا چاہیے جس پر ڈیٹاسیٹ ریکارڈ کیا گیا تھا، اور منظر ٹریننگ کے مناظر سے ملتا جلتا ہونا چاہیے، بشمول کیمرے کی جگہ۔

پہلے انفرنس رنز کو تجربات کی طرح سمجھیں، ڈیموز کی طرح نہیں۔ ایمرجنسی اسٹاپ کو ہاتھ کی پہنچ میں رکھیں، اپنے ڈیمانسٹریٹ کردہ حالات کے قریب ایک ابتدائی حالت سے شروع کریں، اور توقع کریں کہ پالیسی ایسی چیزوں کے لیے حساس ہوگی جو آپ محسوس بھی نہیں کریں گے: ایک ہلا ہوا کیمرا، مختلف روشنی، یا ایسی کوئی چیز جو ڈیٹاسیٹ میں کبھی موجود نہیں تھی۔

آپ کو کتنے ایپیسوڈز چاہئیں

پلیٹ فارم پر سب سے عام ٹریننگ غلطی کوئی غلط ہائپر پیرامیٹر نہیں، بلکہ بہت کم ڈیٹا پر ٹریننگ کرکے یہ نتیجہ اخذ کرنا ہے کہ پالیسی ٹائپ کام نہیں کرتی۔ ایک واحد ٹیبل ٹاپ ٹاسک کے لیے ایک عمومی اصول کے طور پر: تقریباً 50 ایپیسوڈز آپ کو ایک ایسی پالیسی دیتے ہیں جس کی محدود جنرلائزیشن ہو جو آپ کے ڈیمانسٹریٹ کیے ہوئے حالات کے قریب ابتدائی حالات سے کامیاب ہوتی ہے۔ 100 سے 200 ایپیسوڈز اس ایک ٹاسک کے لیے پورے ورک اسپیس میں قابل استعمال مضبوطی دیتے ہیں، بشرطیکہ آپ نے ایپیسوڈز کے درمیان چیز کی جگہ بدلی ہو۔

زیادہ قابل پالیسی اقسام اسے منسوخ نہیں کرتیں۔ 20 ایپیسوڈز پر ایک GR00T فائن ٹیون پھر بھی خراب جنرلائز کرے گا؛ بڑے ماڈلز جو خریدتے ہیں وہ ہے ڈیٹا ہونے پر ایک بہتر سیلنگ۔ اگر آپ کا بجٹ محدود ہے، تو بڑے ماڈل پر خرچ کرنے سے پہلے مزید متنوع ایپیسوڈز پر خرچ کریں۔

اکثر پوچھے جانے والے سوالات