نقل التعلم
يعيد نقل التعلم استخدام نموذج تم تدريبه بالفعل على مجموعة بيانات كبيرة ويكيفه مع مهمة جديدة ذات صلة.
نظرة عامة
Instead of starting from scratch, you stand on the shoulders of a model that already learned useful general features, saving enormous time, data, and compute.
الغوص العميق
غالبًا ما يحتاج تدريب نموذج قوي من الصفر إلى ملايين الأمثلة المصنفة والأجهزة المهمة. نقل التعلم يتجنب ذلك. إن النموذج الذي تم تدريبه مسبقًا على مجموعة بيانات ضخمة، مثل شبكة الصور التي تم تدريبها على ImageNet أو نموذج اللغة الذي تم تدريبه على نص الويب، قد تعلم بالفعل أنماطًا مفيدة على نطاق واسع: الحواف والأشكال للرؤية والقواعد والمعنى للنص. أنت تأخذ هذا النموذج المُدرب مسبقًا وتكيف معرفته مع مشكلتك الأصغر والمحددة. هناك نوعان من الأساليب الرئيسية. في استخراج الميزات، يمكنك تجميد معظم الشبكة وتدريب طبقة إخراج جديدة فقط في الأعلى. في الضبط الدقيق، يمكنك أيضًا إلغاء تجميد بعض الطبقات العميقة ومواصلة تدريبها بمعدل تعلم منخفض حتى يتكيف النموذج بلطف مع بياناتك دون أن ينسى ما يعرفه.
البصيرة الفنية
تتعلم الشبكات المدربة مسبقًا تسلسلًا هرميًا: تلتقط الطبقات المبكرة الميزات العامة (الحواف والأنسجة وعلاقات الكلمات الأساسية) بينما تلتقط الطبقات اللاحقة مفاهيم خاصة بالمهمة. نقل التعلم يستغل هذا. إذا كانت مهمتك مشابهة للمهمة الأصلية، فقم بتجميد الطبقات المبكرة كمستخرج للميزات الثابتة وأعد تدريب الرأس فقط. إذا كانت بياناتك تختلف بشكل أكبر، فقم بضبط الطبقات الأعمق باستخدام معدل تعلم صغير جدًا بحيث تكون التحديثات لطيفة. الخطر الكبير هو تغيير المجال: إذا بدت البيانات الجديدة مختلفة جدًا عن بيانات التدريب المسبق، فإن الميزات المستعارة لا تتناسب بشكل جيد.
التأثير الاستراتيجي
قرارات أوضح
يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
التكلفة والميزانية
يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
الفريق وسير العمل
تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
مستقبل نقل التعلم
لقد أصبح نقل التعلم هو الطريقة الافتراضية لبناء الذكاء الاصطناعي. اليوم، لا أحد تقريبًا يقوم بتدريب رؤية كبيرة أو نموذج لغوي من الصفر؛ تقوم الفرق بتكييف نموذج أساسي مُدرب مسبقًا بدلاً من ذلك. الحدود هي الأساليب ذات الكفاءة في المعلمات مثل LoRA والمحولات، والتي لا تعدل سوى جزء صغير من الأوزان لتخصيص النماذج العملاقة بتكلفة رخيصة. ومن المتوقع أن يتعمق هذا الاتجاه: نماذج أصغر ومتخصصة يتم استخلاصها وضبطها بدقة من النماذج الكبيرة، بالإضافة إلى الاهتمام المتزايد بتخفيف تغير المجال، وتجنب "النسيان الكارثي" عند تعديل النموذج بشكل متكرر.
التنفيذ في العالم الحقيقي
الضبط الدقيق لشبكة ImageNet المدربة مسبقًا لاكتشاف عيوب معينة في خط إنتاج المصنع باستخدام بضعة آلاف من الصور فقط
تكييف نموذج لغوي كبير تم تدريبه مسبقًا لصياغة ملخصات قانونية أو طبية من خلال الضبط الدقيق على مجموعة متخصصة أصغر
استخدام نموذج تم تدريبه على الكلام العام كنقطة بداية لبناء أداة التعرف على لهجة أو لهجة معينة
إعادة تدريب الطبقة الأخيرة من نموذج الرؤية لتصنيف الأمراض النباتية من صور الأوراق لتطبيق زراعي
المخاطر والدرابزين
قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
خارطة طريق التنفيذ
ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
قم بالتوثيق حيث يساعد نقل التعلم وحيث تكون الطرق الأبسط أفضل.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Transfer Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
التعلم شبه الخاضع للإشراف
الأسئلة المتداولة
What is Transfer Learning?
يعيد نقل التعلم استخدام نموذج تم تدريبه بالفعل على مجموعة بيانات كبيرة ويكيفه مع مهمة جديدة ذات صلة. بدلاً من البدء من الصفر، فإنك تقف على أكتاف نموذج تعلم بالفعل ميزات عامة مفيدة، مما يوفر قدرًا هائلاً من الوقت والبيانات والحوسبة.
ما هي الفكرة الأساسية لنقل التعلم؟
يأخذ التعلم النقلي نموذجًا تعلم بالفعل الميزات العامة ويكيفه، مما يوفر البيانات والوقت والحوسبة.
لماذا تستخدم معدل تعلم منخفض جدًا عند ضبط الطبقات العميقة؟
يمكن للتحديثات الكبيرة على مجموعة بيانات صغيرة أن تحل محل الميزات القيمة المُدربة مسبقًا وتتجاوزها بسرعة، بحيث تظل التحديثات صغيرة.
ما هو الوضع الأفضل لاستخراج الميزات العادية (تجميد القاعدة)؟
عندما تكون المهمة المستهدفة قريبة من المهمة الأصلية وتكون البيانات محدودة، تكون الميزات المجمدة ذات صلة بالفعل، لذلك تحتاج فقط إلى رأس جديد.
ما هي المشكلة التي يصفها "تحول المجال" في نقل التعلم؟
إذا كان المجال المستهدف يبدو مختلفًا تمامًا عما تم تدريب النموذج عليه مسبقًا، فقد لا يتم نقل الميزات المعاد استخدامها بشكل جيد وتنخفض الدقة.
لماذا يُعاد استخدام الطبقات المبكرة من الشبكة المُدربة مسبقًا بسهولة أكبر من الطبقات اللاحقة؟
تلتقط الطبقات المبكرة أنماطًا منخفضة المستوى مفيدة على نطاق واسع، بينما تكون الطبقات اللاحقة أكثر تخصصًا للمهمة الأصلية.