स्थानांतरण सीखना

ट्रांसफर लर्निंग एक बड़े डेटासेट पर पहले से ही प्रशिक्षित मॉडल का पुन: उपयोग करता है और इसे एक नए, संबंधित कार्य के लिए अनुकूलित करता है। शून्य से शुरू करने के बजाय, आप एक ऐसे मॉडल के कंधों पर खड़े हैं जो पहले से ही उपयोगी सामान्य सुविधाएँ सीख चुका है, जिससे भारी समय, डेटा और गणना की बचत होती है।

शून्य से एक मजबूत मॉडल को प्रशिक्षित करने के लिए अक्सर लाखों लेबल वाले उदाहरणों और गंभीर हार्डवेयर की आवश्यकता होती है। स्थानांतरण शिक्षण उसे दरकिनार कर देता है। एक विशाल डेटासेट पर पहले से प्रशिक्षित मॉडल, जैसे कि इमेजनेट पर प्रशिक्षित एक छवि नेटवर्क या वेब टेक्स्ट पर प्रशिक्षित एक भाषा मॉडल, पहले से ही व्यापक रूप से उपयोगी पैटर्न सीख चुका है: दृष्टि के लिए किनारे और आकार, पाठ के लिए व्याकरण और अर्थ। आप उस पूर्व-प्रशिक्षित मॉडल को लें और उसके ज्ञान को अपनी छोटी, विशिष्ट समस्या के लिए अनुकूलित करें। दो मुख्य शैलियाँ हैं. फीचर निष्कर्षण में आप अधिकांश नेटवर्क को फ्रीज कर देते हैं और शीर्ष पर केवल एक नई आउटपुट परत को प्रशिक्षित करते हैं। फ़ाइन-ट्यूनिंग में आप कुछ गहरी परतों को भी खोलते हैं और उन्हें कम सीखने की दर पर प्रशिक्षित करना जारी रखते हैं ताकि मॉडल आपके डेटा को धीरे-धीरे समायोजित कर सके, बिना यह भूले कि वह क्या जानता था।