Weights and biases — базовые элементы, на которых строится работа нейронных сетей. В русскоязычной среде их чаще называют весами и смещениями, но англоязычный термин прочно закрепился в документации, исследованиях и названиях инструментов для машинного обучения. Без понимания этой пары сложно оценить, как модель преобразует входные данные в прогноз, классификацию или сгенерированный ответ. Веса определяют силу связи между нейронами. Если представить нейросеть как систему последовательных преобразований, именно weights задают, какие признаки входных данных будут учитываться сильнее, а какие почти не повлияют на результат. В задачах компьютерного зрения одни веса могут реагировать на контуры, другие — на текстуры или сочетания форм. В языковых моделях веса участвуют в кодировании статистических и смысловых связей между словами, фразами и контекстами. Biases, или смещения, добавляют модели гибкость. Они позволяют нейрону активироваться не только в зависимости от суммы входных сигналов, но и с учетом дополнительного сдвига. Благодаря этому модель не привязана жестко к нулевой точке и может лучше подстраиваться под распределение данных. В практическом смысле biases помогают нейросети описывать более сложные зависимости, чем простое умножение входов на веса. Во время обучения weights and biases постоянно корректируются. Алгоритмы оптимизации, такие как градиентный спуск и его варианты, сравнивают предсказание модели с правильным ответом и изменяют параметры так, чтобы ошибка снижалась. Этот процесс происходит миллионы или миллиарды раз, особенно в крупных моделях. Итоговое качество системы зависит не только от архитектуры, но и от того, насколько удачно параметры сошлись к полезной конфигурации. Термин weights and biases также ассоциируется с платформой Weights & Biases, которую используют для отслеживания экспериментов в машинном обучении. Такие инструменты фиксируют метрики, версии моделей, параметры запусков, графики обучения и результаты сравнения экспериментов. Для команд, работающих с ИИ, это важно: без системного учета трудно понять, почему одна модель работает лучше другой и какие изменения действительно повлияли на качество.