Kuhamisha Mafunzo
Mafunzo ya kuhamisha hutumia tena muundo ambao tayari umefunzwa kwenye mkusanyiko mkubwa wa data na kuubadilisha kwa kazi mpya inayohusiana.
Muhtasari
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.
Dive ya kina
Kufundisha muundo thabiti kutoka sifuri mara nyingi huhitaji mamilioni ya mifano iliyo na lebo na maunzi muhimu. Hamisha kando ya kujifunza hiyo. Muundo uliofunzwa mapema kwenye mkusanyiko mkubwa wa data, kama vile mtandao wa picha uliofunzwa kwenye ImageNet au modeli ya lugha iliyofunzwa kwenye maandishi ya wavuti, tayari umejifunza ruwaza muhimu kwa mapana: kingo na maumbo ya kuona, sarufi na maana ya maandishi. Unachukua kielelezo hicho kilichofunzwa na kurekebisha maarifa yake kwa shida yako ndogo, maalum. Kuna mitindo miwili kuu. Katika uchimbaji wa kipengele unafungia mtandao mwingi na kutoa mafunzo kwa safu mpya ya pato juu. Katika kusawazisha vizuri pia unasimamisha safu zingine za kina zaidi na kuendelea kuzifunza kwa kiwango cha chini cha kujifunza ili kielelezo kirekebishe kwa upole data yako bila kusahau ulichojua.
Ufahamu wa Kiufundi
Mitandao iliyofunzwa awali hujifunza safu: tabaka za mapema hunasa vipengele vya jumla (kingo, maumbo, uhusiano wa kimsingi wa maneno) huku safu za baadaye zikinasa dhana mahususi za kazi. Uhamisho wa kujifunza hutumia hii. Ikiwa kazi yako ni sawa na ya awali, fanya safu za mapema zigandishe kama kichota kipengele kisichobadilika na urekebishe kichwa pekee. Ikiwa data yako inatofautiana zaidi, rekebisha safu vizuri zaidi ukitumia kiwango kidogo sana cha kujifunza ili masasisho yawe ya upole. Hatari kubwa ni mabadiliko ya kikoa: ikiwa data mpya inaonekana tofauti sana na data ya mafunzo ya awali, vipengele vilivyokopwa vitafaa vibaya.
Athari za kimkakati
Maamuzi ya wazi zaidi
Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
Cost and budget
Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
Timu na mtiririko wa kazi
Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Mustakabali wa Mafunzo ya Uhamisho
Uhamisho wa kujifunza umekuwa njia chaguo-msingi AI hujengwa. Leo karibu hakuna mtu anayefundisha maono makubwa au mfano wa lugha kutoka mwanzo; timu hubadilisha muundo wa msingi uliofunzwa badala yake. Upande wa mpaka ni njia zisizo na vigezo kama vile LoRA na adapta, ambazo hurekebisha sehemu ndogo tu ya uzani ili kubinafsisha miundo mikubwa kwa bei nafuu. Tarajia mwelekeo huu kuwa wa kina: miundo midogo, maalum iliyosafishwa na kusawazishwa vizuri kutoka kwa kubwa, pamoja na kuongezeka kwa umakini wa kupunguza mabadiliko ya kikoa na epuka 'kusahau kwa janga' wakati muundo unarekebishwa mara kwa mara.
Utekelezaji wa Ulimwengu Halisi
Kurekebisha mtandao uliofunzwa mapema wa ImageNet ili kugundua kasoro mahususi kwenye laini ya uzalishaji kiwandani kwa picha elfu chache pekee.
Kurekebisha muundo mkubwa wa lugha uliofunzwa awali ili kuandaa muhtasari wa kisheria au wa kimatibabu kwa kurekebisha muundo mdogo maalum.
Kutumia kielelezo kilichofunzwa juu ya usemi wa jumla kama sehemu ya kuanzia ili kujenga kitambulishi cha lafudhi au lahaja mahususi.
Kufundisha upya safu ya mwisho ya modeli ya maono ili kuainisha magonjwa ya mimea kutoka kwa picha za majani kwa programu ya kilimo
Hatari & Walinzi
Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Ramani ya Utekelezaji
Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
Hati ambapo Mafunzo ya Kuhamisha husaidia na ambapo mbinu rahisi ni bora zaidi.
Endelea Kuchunguza
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
Mwongozo unaofuata
Mafunzo Yanayosimamiwa Nusu
Maswali yanayoulizwa mara kwa mara
What is Transfer Learning?
Mafunzo ya kuhamisha hutumia tena muundo ambao tayari umefunzwa kwenye mkusanyiko mkubwa wa data na kuubadilisha kwa kazi mpya inayohusiana. Badala ya kuanzia mwanzo, unasimama kwenye mabega ya kielelezo ambacho tayari kimejifunza vipengele muhimu vya jumla, kuokoa muda mwingi, data na kukokotoa.
Ni nini wazo kuu la kuhamisha mafunzo?
Mafunzo ya kuhamisha huchukua muundo ambao tayari umejifunza vipengele vya jumla na kuubadilisha, kuhifadhi data, muda na kukokotoa.
Kwa nini unatumia kiwango cha chini sana cha kujifunza unaporekebisha tabaka za kina zaidi?
Masasisho makubwa kwenye mkusanyiko mdogo wa data yanaweza kubatilisha vipengele muhimu vilivyofunzwa mapema na kuzidi kwa haraka, kwa hivyo masasisho yanabaki madogo.
Ni hali gani inayofaa zaidi kwa uchimbaji wa kipengele wazi (kufungia msingi)?
Wakati kazi inayolengwa iko karibu na ya asili na data ni mdogo, vipengele vilivyogandishwa tayari vinafaa, kwa hivyo unahitaji kichwa kipya tu.
Je, 'kuhama kwa kikoa' kunaelezea tatizo gani katika ujifunzaji wa uhamishaji?
Ikiwa kikoa lengwa kinaonekana tofauti sana na kile ambacho muundo ulifundishwa mapema, vipengele vilivyotumika tena huenda visihamishwe vizuri na usahihi kushuka.
Kwa nini tabaka za mapema za mtandao uliofunzwa mapema mara nyingi hutumiwa tena kwa urahisi zaidi kuliko zile za baadaye?
Safu za awali hunasa ruwaza muhimu za kiwango cha chini, ilhali safu za baadaye zimeboreshwa zaidi kwa kazi ya asili.