Öğrenimi Aktar
Transfer öğrenimi, halihazırda büyük bir veri kümesi üzerinde eğitilmiş bir modeli yeniden kullanır ve onu yeni, ilgili bir göreve uyarlar.
Genel Bakış
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.
Derin Dalış
Güçlü bir modeli sıfırdan eğitmek genellikle milyonlarca etiketli örneğe ve ciddi donanıma ihtiyaç duyar. Transfer öğrenimi bunun önüne geçer. ImageNet'te eğitilmiş bir görüntü ağı veya web metni üzerinde eğitilmiş bir dil modeli gibi devasa bir veri kümesi üzerinde önceden eğitilmiş bir model, halihazırda genel olarak yararlı kalıpları öğrenmiştir: görme için kenarlar ve şekiller, metin için dil bilgisi ve anlam. Bu önceden eğitilmiş modeli alırsınız ve onun bilgisini daha küçük, spesifik probleminize uyarlarsınız. İki ana stil vardır. Özellik çıkarmada ağın çoğunu dondurursunuz ve en üstte yalnızca yeni bir çıktı katmanını eğitirsiniz. İnce ayar yaparken ayrıca bazı derin katmanları çözer ve bunları düşük bir öğrenme oranıyla eğitmeye devam edersiniz, böylece model, bildiklerini unutmadan verilerinize yavaşça uyum sağlar.
Teknik Bilgi
Önceden eğitilmiş ağlar bir hiyerarşi öğrenir: İlk katmanlar genel özellikleri (kenarlar, dokular, temel kelime ilişkileri) yakalarken, sonraki katmanlar göreve özgü kavramları yakalar. Transfer öğrenimi bundan yararlanır. Göreviniz orijinaline benziyorsa, sabit özellik çıkarıcı olarak erken katmanları dondurun ve yalnızca kafayı yeniden eğitin. Verileriniz daha fazla farklılık gösteriyorsa güncellemelerin yumuşak olması için çok küçük bir öğrenme oranı kullanarak daha derin katmanlara ince ayar yapın. En büyük risk alan değişikliğidir: Yeni veriler eğitim öncesi verilerden çok farklı görünüyorsa, ödünç alınan özellikler yetersiz uyum sağlar.
Stratejik Etki
Daha net kararlar
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
Maliyet ve bütçe
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
Ekip ve iş akışı
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Transfer Öğrenmenin Geleceği
Transfer öğrenimi, yapay zekanın oluşturulmasının varsayılan yolu haline geldi. Bugün neredeyse hiç kimse geniş bir vizyonu veya dil modelini sıfırdan geliştirmiyor; ekipler bunun yerine önceden eğitilmiş bir temel modeli benimser. Sınır, dev modelleri ucuza özelleştirmek için ağırlıkların yalnızca küçük bir kısmını değiştiren LoRA ve adaptörler gibi parametre açısından verimli yöntemlerdir. Bu eğilimin derinleşmesini bekliyoruz: Büyük modellerden arındırılmış ve ince ayarlar yapılmış daha küçük, özel modeller, ayrıca alan değişikliğini hafifletmeye ve bir model tekrar tekrar uyarlandığında "felaket yaratan unutmayı" önlemeye yönelik artan ilgi.
Gerçek Dünya Uygulaması
Yalnızca birkaç bin fotoğrafla fabrika üretim hattındaki belirli kusurları tespit etmek için ImageNet önceden eğitilmiş bir ağa ince ayar yapma
Daha küçük bir uzmanlık külliyatında ince ayar yaparak, önceden eğitilmiş büyük bir dil modelini hukuki veya tıbbi özetlerin taslağını hazırlamak için uyarlama
Belirli bir aksan veya lehçe için tanıyıcı oluşturmak amacıyla başlangıç noktası olarak genel konuşma üzerine eğitilmiş bir modeli kullanmak
Bir tarım uygulaması için bitki hastalıklarını yaprak görüntülerinden sınıflandırmak amacıyla görüş modelinin son katmanını yeniden eğitme
Riskler ve Korkuluklar
Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Uygulama Yol Haritası
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
Transfer Öğrenmenin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
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
Next guide
Yarı Denetimli Öğrenme
Sık sorulan sorular
What is Transfer Learning?
Transfer öğrenimi, halihazırda büyük bir veri kümesi üzerinde eğitilmiş bir modeli yeniden kullanır ve onu yeni, ilgili bir göreve uyarlar. Sıfırdan başlamak yerine, halihazırda yararlı genel özellikleri öğrenmiş, zamandan, veriden ve bilgi işlemden büyük tasarruf sağlayan bir modelin omuzlarında durursunuz.
Transfer öğreniminin temel fikri nedir?
Transfer öğrenimi, genel özellikleri önceden öğrenmiş bir modeli alır ve onu uyarlayarak verilerden, zamandan ve bilgi işlemden tasarruf sağlar.
Daha derin katmanlara ince ayar yaparken neden çok düşük bir öğrenme oranı kullanıyorsunuz?
Küçük bir veri kümesindeki büyük güncellemeler, önceden eğitilmiş değerli özelliklerin üzerine yazılabilir ve hızlı bir şekilde fazla uyum sağlayabilir, böylece güncellemeler küçük tutulur.
Düz özellik çıkarımı (taban dondurma) için EN İYİ durum hangisidir?
Hedef görev orijinaline yakın olduğunda ve veriler sınırlı olduğunda dondurulan özellikler zaten alakalı olduğundan yalnızca yeni bir kafaya ihtiyacınız vardır.
'Alan kayması' transfer öğreniminde hangi sorunu tanımlıyor?
Hedef etki alanı modelin önceden eğitildiğinden çok farklı görünüyorsa yeniden kullanılan özellikler iyi aktarılamayabilir ve doğruluk düşebilir.
Önceden eğitilmiş bir ağın ilk katmanları neden daha sonraki katmanlara göre daha kolay yeniden kullanılır?
İlk katmanlar genel olarak kullanışlı düşük seviyeli modelleri yakalarken, daha sonraki katmanlar orijinal göreve daha uzmanlaşmıştır.