Ịmụta ọtụtụ ọrụ
Ịmụ ọtụtụ ọrụ na-azụ otu ihe atụ iji rụọ ọtụtụ ọrụ ndị yiri ya n'otu oge, na-ekerịta ihe nnọchianya nke ime n'ofe ha.
Nchịkọta
By learning shared structure, each task helps the others, often improving accuracy and data efficiency over training separate models.
Ime miri emi
Kama ịmepụta ụdị dị iche iche maka ọrụ ọ bụla, mmụta multi-task (MTL) na-eji ọkpụkpụ azụ nke na-abanye n'ime isi ọrụ. Netwọk nghọta ịnya ụgbọ ala, dịka ọmụmaatụ, nwere ike kesaa ihe ngbanwe ọhụụ wee kewaa n'ime isi maka ịchọpụta ụgbọ ala, ikewa ụzọ, yana tụọ omimi. N'ígwé ndị a na-ekekọrịtara na-amụta atụmatụ izugbe bara uru n'ofe ọrụ, ebe isi ọ bụla nwere ọkachamara. Nke a na-arụ ọrụ dị ka ụdị mkparị na-akpali akpali na nhazigharị: ihe mgbaàmà sitere na otu ọrụ na-egbochi ihe nnọchiteanya nkekọrịta, na-ebelata oke mma na imeziwanye mkpokọta, karịsịa mgbe ụfọdụ ọrụ nwere ntakịrị data. Isi ihe ịma aka bụ ịhazi ọrụ ndị ahụ - ma ọ bụrụ na ọnụ ọgụgụ ọnwụ ha ma ọ bụ gradients na-emegide, otu ọrụ nwere ike ịchịkwa na ndị ọzọ na-ata ahụhụ, nsogbu a na-akpọ nnyefe na-adịghị mma. Usoro dị ka mbelata ịdị arọ, ịdị arọ dabere na ejighị n'aka, na ịwa ahụ gradient na-achọ idobe ọrụ na-arụkọ ọrụ kama ịsọ mpi.
Nghọta nka nka
Ngụkọta ebumnobi na-abụkarị nchikota nha nke mfu ọrụ ọ bụla, L = Σ wᵢ Lᵢ, na ịhọrọ oke wᵢ dị oke mkpa n'ihi na ọrụ dị iche na nha na ihe isi ike. Ikekọrịta oke ike (osisi a na-ahụkarị, isi dị iche iche) bụ ụzọ kachasị mfe na nke na-ahazi; Nkesa dị nro na-edobe ụdị dị iche iche na-ejikọtaghị ọnụ. Ndị gradients na-emegiderịta onwe ha n'ofe ọrụ nwere ike ịkagbu, yabụ ụzọ dị ka ịdị arọ na-ejighị n'aka (ịmụ wᵢ na-akpaghị aka) ma ọ bụ PCGrad (na-emepụta ihe ndị na-emegiderịta onwe ha) na-enyere aka na-azụkọ ọnụ.
Mmetụta atụmatụ
Ọnụ ego na mmefu ego
Mkpebi ihe owuwu ụlọ na-akwalite arụmọrụ yana ọnụ ahịa ọrụ ruo ọtụtụ afọ.
Mkpebi doro anya
Nkà mmụta nka na-enyere ndị otu egwuregwu aka ịhọrọ nchịkọta ziri ezi, ọ bụghị naanị nke kachasị ọhụrụ.
Quality akara
Nhọrọ injinia ka mma na-ebelata ihe omume ntụkwasị obi na mmepụta.
Ọdịnihu nke mmụta ọtụtụ ọrụ
Ịmụta ọtụtụ ọrụ na-akwado omume n'ebe ụdị onye ọhaneze nọ. Ụdị asụsụ buru ibu bụ ọtụtụ ọrụ dị iche iche - otu netwọk na-ejikwa ntụgharị asụsụ, nchịkọta, nzuzo, na ajụjụ ọnụ - yana ọtụtụ usoro na-agbatị nke a n'ofe ederede, onyonyo na ọdịyo. Na-atụ anya na-eto eto nke ụlọ ejikọtara ọnụ na nhazi nkuzi nke na-atụgharị ọtụtụ ọrụ n'ime otu ụdị, gbakwunyere nhazi ọrụ akpaka ka mma na nhazigharị (dị ka ọ dị na ngwakọta-nke ndị ọkachamara) yabụ ịgbakwụnye ọrụ agaghịzi apụta ịgbakwunye ụdị dị iche iche.
Mmejuputa n'ezie n'ụwa
Nchịkọta nghọta ịnya ụgbọ ala nke na-ekekọrịta otu ngbanwe ọhụụ maka nchọpụta ihe, nkewa ụzọ, na ntule omimi.
Ụdị asụsụ buru ibu na-ejikwa ntụgharị asụsụ, nchịkọta, mmetụta na azịza ajụjụ site na iji otu netwọk na-ekekọrịta.
Sistemu nkwado na-ejikọta ọnụ na-ebu amụma nrịba, oge nlele na ịzụrụ ihe iji kwalite njikọ aka onye ọrụ.
Ụdị onyonyo ahụike nke na-achọpụta etuto n'otu oge, kewaa oke ya, wee kewaa ụdị ya n'otu nyocha ahụ.
Ihe ize ndụ & okporo ụzọ nche
Ịkwalite otu akara ngosi nwere ike zoo adịghị ike sistemụ sara mbara.
A na-eledakarị ihe akụrụngwa na ụgwọ ọrụ anya.
Ọdịiche nchekwa na nleba anya nwere ike itolite ka sistemu na-adịwanye mgbagwoju anya.
Map mmejuputa
Kọwaa latency, ịdịmma na ebumnuche ọnụ ahịa tupu mmejuputa ya.
Benchmark n'okpuru ibu dị adị na ọnọdụ data.
Nleba anya akụrụngwa maka mperi, ịkpafu na mmetụta onye ọrụ.
Kwadebe ụzọ nzaghachi azụghachi azụ na ihe omume tupu ịchachaa.
Nọgide na-eme nchọpụta
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 Multi-Task 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
Ntuziaka na-esote
Ịkekọrịta Parameter siri ike na netwọkụ ọrụ ọtụtụ
Ajụjụ a na-ajụkarị
What is Multi-Task Learning?
Ịmụ ọtụtụ ọrụ na-azụ otu ihe atụ iji rụọ ọtụtụ ọrụ ndị yiri ya n'otu oge, na-ekerịta ihe nnọchianya nke ime n'ofe ha. Site n'ịmụ usoro nkekọrịta, ọrụ ọ bụla na-enyere ndị ọzọ aka, na-emeziwanye izi ezi na arụmọrụ data karịa ọzụzụ ụdị dị iche iche.
Gịnị bụ isi echiche nke mmụta ọtụtụ ọrụ?
MTL na-azụ otu ụdị n'ọtụtụ ọrụ, yabụ na-ekekọrịta n'ígwé weghara usoro bara uru n'ofe ha niile.
N'ime netwọk MTL nke na-ekekọrịta ihe siri ike, gịnị na-ekekọrịta na ihe dị iche?
Nkesa oke ike na-eji ogwe a na-ahụkarị maka njirimara izugbe yana isi dị iche iche pụrụ iche maka ọrụ ọ bụla.
Kedu ihe kpatara mmụta ọtụtụ ọrụ nwere ike isi melite mkpokọta?
Ịmụ ọtụtụ ihe aga-eme na-amachibido njirimara nkekọrịta, na-eme dị ka nhazigharị nke na-enyekarị aka ọrụ obere data karịsịa.
Kedu ihe bụ 'nfefe na-adịghị mma' na mmụta ọtụtụ ọrụ?
gradients na-emegiderịta onwe ya ma ọ bụ nnukwu mfu nwere ike ime ka otu ọrụ mebie ndị ọzọ, na-abụghị nke mbufe enyemaka.
Kedu ka esi etolite n'ozuzu mfu na mmụta ọtụtụ ọrụ?
Ebumnobi a na-abụkarị Σ wᵢ Lᵢ, na ịhọrọ oke arọ dị oke mkpa ebe ọ bụ na ọrụ dị iche na nha na ike.