ٹرانسفر لرننگ

ٹرانسفر لرننگ ایک بڑے ڈیٹاسیٹ پر پہلے سے تربیت یافتہ ماڈل کو دوبارہ استعمال کرتی ہے اور اسے ایک نئے، متعلقہ کام میں ڈھال لیتی ہے۔ شروع سے شروع کرنے کے بجائے، آپ ایک ایسے ماڈل کے کندھوں پر کھڑے ہیں جس نے پہلے سے ہی مفید عمومی خصوصیات سیکھ لی ہیں، بہت زیادہ وقت، ڈیٹا اور حساب کی بچت ہے۔

ٹرانسفر لرننگ ایک ایسا ماڈل لیتا ہے جو پہلے سے ہی عام خصوصیات کو سیکھتا ہے اور اسے اپناتا ہے، ڈیٹا، وقت اور حساب کی بچت کرتا ہے۔

چھوٹے ڈیٹاسیٹ پر بڑی اپ ڈیٹس قیمتی پہلے سے تربیت یافتہ خصوصیات کو اوور رائٹ کر سکتی ہیں اور تیزی سے اوور فٹ ہو سکتی ہیں، اس لیے اپ ڈیٹس کو چھوٹا رکھا جاتا ہے۔

جب ہدف کا کام اصل کے قریب ہوتا ہے اور ڈیٹا محدود ہوتا ہے، تو منجمد خصوصیات پہلے سے ہی متعلقہ ہوتی ہیں، اس لیے آپ کو صرف ایک نئے سر کی ضرورت ہوتی ہے۔

اگر ٹارگٹ ڈومین اس سے بہت مختلف نظر آتا ہے جس پر ماڈل کو پہلے سے تربیت دی گئی تھی، تو ہو سکتا ہے دوبارہ استعمال شدہ خصوصیات اچھی طرح سے منتقل نہ ہوں اور درستگی میں کمی آ جائے۔

ابتدائی پرتیں وسیع پیمانے پر مفید نچلے درجے کے نمونوں کو حاصل کرتی ہیں، جبکہ بعد کی پرتیں اصل کام کے لیے زیادہ مہارت رکھتی ہیں۔