Chuyển tiếp học tập
Học chuyển giao sử dụng lại mô hình đã được đào tạo trên một tập dữ liệu lớn và điều chỉnh nó cho phù hợp với một nhiệm vụ mới có liên quan.
Tổng quan
Thay vì bắt đầu lại từ đầu, bạn đứng trên vai một mô hình đã học được các tính năng chung hữu ích, tiết kiệm rất nhiều thời gian, dữ liệu và tính toán.
Lặn sâu
Việc đào tạo một mô hình mạnh từ con số 0 thường cần hàng triệu ví dụ được gắn nhãn và phần cứng nghiêm túc. Chuyển việc học vượt qua điều đó. Một mô hình được huấn luyện trước trên một tập dữ liệu khổng lồ, chẳng hạn như mạng hình ảnh được huấn luyện trên ImageNet hoặc mô hình ngôn ngữ được huấn luyện trên văn bản trên web, đã học được các mẫu hữu ích rộng rãi: các cạnh và hình dạng cho tầm nhìn, ngữ pháp và ý nghĩa cho văn bản. Bạn lấy mô hình được đào tạo trước đó và điều chỉnh kiến thức của nó cho phù hợp với vấn đề cụ thể, nhỏ hơn của bạn. Có hai phong cách chính. Trong trích xuất tính năng, bạn đóng băng hầu hết mạng và chỉ huấn luyện một lớp đầu ra mới ở trên cùng. Khi tinh chỉnh, bạn cũng giải phóng một số lớp sâu hơn và tiếp tục huấn luyện chúng ở tốc độ học tập thấp để mô hình nhẹ nhàng điều chỉnh theo dữ liệu của bạn mà không quên những gì nó đã biết.
Hiểu biết kỹ thuật
Các mạng được huấn luyện trước tìm hiểu hệ thống phân cấp: các lớp đầu nắm bắt các đặc điểm chung (các cạnh, kết cấu, các mối quan hệ từ cơ bản) trong khi các lớp sau nắm bắt các khái niệm cụ thể của nhiệm vụ. Học chuyển giao khai thác điều này. Nếu nhiệm vụ của bạn tương tự như nhiệm vụ ban đầu, hãy cố định các lớp đầu tiên dưới dạng trình trích xuất tính năng cố định và chỉ huấn luyện lại phần đầu. Nếu dữ liệu của bạn khác biệt nhiều hơn, hãy tinh chỉnh các lớp sâu hơn bằng cách sử dụng tốc độ học tập rất nhỏ để quá trình cập nhật diễn ra nhẹ nhàng. Rủi ro lớn là sự thay đổi miền: nếu dữ liệu mới trông quá khác so với dữ liệu huấn luyện trước thì các tính năng mượn sẽ kém phù hợp.
Tác động chiến lược
Quyết định rõ ràng hơn
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Chi phí và ngân sách
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Nhóm và quy trình làm việc
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Tương lai của việc học chuyển tiếp
Học chuyển giao đã trở thành cách xây dựng AI mặc định. Ngày nay hầu như không ai đào tạo một mô hình ngôn ngữ hoặc tầm nhìn lớn từ đầu; thay vào đó, các nhóm điều chỉnh mô hình nền tảng đã được huấn luyện trước. Biên giới là các phương pháp hiệu quả về tham số như LoRA và bộ điều hợp, chỉ điều chỉnh một phần nhỏ trọng lượng để tùy chỉnh các mô hình khổng lồ với giá rẻ. Mong đợi xu hướng này sẽ ngày càng sâu sắc: các mô hình nhỏ hơn, chuyên biệt được chắt lọc và tinh chỉnh từ các mô hình lớn, cộng với sự chú ý ngày càng tăng đến việc giảm thiểu sự thay đổi miền và tránh 'sự lãng quên thảm khốc' khi một mô hình được điều chỉnh nhiều lần.
Triển khai trong thế giới thực
Tinh chỉnh mạng được đào tạo trước ImageNet để phát hiện các lỗi cụ thể trên dây chuyền sản xuất của nhà máy chỉ với vài nghìn bức ảnh
Điều chỉnh mô hình ngôn ngữ được đào tạo trước lớn để soạn thảo các bản tóm tắt pháp lý hoặc y tế bằng cách tinh chỉnh trên kho ngữ liệu chuyên ngành nhỏ hơn
Sử dụng mô hình được đào tạo về giọng nói chung làm điểm khởi đầu để xây dựng công cụ nhận dạng cho giọng hoặc phương ngữ cụ thể
Đào tạo lại lớp cuối cùng của mô hình thị giác để phân loại bệnh cây từ hình ảnh lá cho ứng dụng canh tác
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Tài liệu nơi Học chuyển tiếp hữu ích và nơi các phương pháp đơn giản hơn sẽ tốt hơn.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Học bán giám sát
Câu hỏi thường gặp
Học chuyển tiếp là gì?
Học chuyển giao sử dụng lại mô hình đã được đào tạo trên một tập dữ liệu lớn và điều chỉnh nó cho phù hợp với một nhiệm vụ mới có liên quan. Thay vì bắt đầu lại từ đầu, bạn đứng trên vai một mô hình đã học được các tính năng chung hữu ích, tiết kiệm rất nhiều thời gian, dữ liệu và tính toán.
Ý tưởng cốt lõi của việc học chuyển tiếp là gì?
Học chuyển tiếp sử dụng một mô hình đã học các tính năng chung và điều chỉnh nó, tiết kiệm dữ liệu, thời gian và tính toán.
Tại sao bạn sử dụng tốc độ học tập rất thấp khi tinh chỉnh các lớp sâu hơn?
Các bản cập nhật lớn trên một tập dữ liệu nhỏ có thể ghi đè các tính năng được huấn luyện trước có giá trị và nhanh chóng khớp quá mức, do đó các bản cập nhật được giữ ở mức nhỏ.
Tình huống nào là phù hợp nhất để trích xuất tính năng đơn giản (đóng băng cơ sở)?
Khi nhiệm vụ mục tiêu gần với bản gốc và dữ liệu bị hạn chế, các tính năng cố định đã có liên quan nên bạn chỉ cần một phần đầu mới.
'Sự thay đổi tên miền' mô tả vấn đề gì trong quá trình học chuyển tiếp?
Nếu miền mục tiêu trông rất khác so với những gì mô hình đã được huấn luyện trước thì các tính năng được sử dụng lại có thể truyền tải không tốt và độ chính xác giảm xuống.
Tại sao các lớp đầu tiên của mạng được huấn luyện trước thường được sử dụng lại dễ dàng hơn các lớp sau?
Các lớp đầu nắm bắt các mẫu cấp thấp hữu ích rộng rãi, trong khi các lớp sau chuyên biệt hơn cho nhiệm vụ ban đầu.