交互式训练：面向反馈的神经网络优化

传统的神经网络训练通常遵循固定、预定义的优化方案，缺乏动态响应不稳定或新兴训练问题的灵活性。在本文中，我们介绍了交互式训练（Interactive Training），这是一个开源框架，可以实现由人类专家或自动人工智能代理在神经网络训练期间进行实时、反馈驱动的干预。交互式训练的核心是使用一个控制服务器来协调用户或代理与正在进行的训练过程之间的通信，允许用户动态调整优化器超参数、训练数据和模型检查点。通过三个案例研究，我们证明了交互式训练在训练稳定性、对初始超参数的敏感性降低以及对不断变化的用户需求的适应性提高方面取得了优越的性能，为人工智能代理自主监控训练日志、主动解决不稳定问题和优化训练动态的未来训练范式铺平了道路。