معاودة الاتصال

في التعلم الآلي، رد النداء هو برنامج نصي أو وظيفة آلية يتم تنفيذها في نقاط محددة أثناء عملية تدريب النموذج. فكر في الأمر على أنه مجموعة من التعليمات التي يتبعها إطار التدريب في مراحل محددة مسبقًا، مثل بداية أو نهاية الحقبة، أو دفعة التدريب، أو جلسة التدريب بأكملها. توفر عمليات إعادة الاستدعاء آلية قوية للمطورين لمراقبة جوانب مختلفة من التدريب والتحكم فيها وأتمتتها دون الحاجة إلى تغيير الكود الأساسي للنموذج أو حلقة التدريب. إنها أدوات أساسية لبناء خطوط أنابيب فعالة وقوية للتعلم الآلي (ML).

كيفية عمل عمليات إعادة الاستدعاء

عندما تدرب الشبكة العصبية (NN)، تتضمن العملية التكرار على مجموعة البيانات لحقب متعددة. تدير حلقة تدريب هذه العملية، والتي تتضمن تغذية النموذج بالبيانات، وحساب دالة الخسارةوتحديث أوزان الطراز من خلال التكاثر العكسي. ترتبط عمليات الاستدعاء بهذه الحلقة في أحداث محددة. على سبيل المثال on_epoch_end سينفذ رد النداء شيفرته بدقة بعد اكتمال كل حقبة زمنية. هذا يسمح بالتدخلات الديناميكية، مثل تعديل معدل التعلمأو حفظ أفضل نسخة من النموذج، أو إيقاف التدريب مبكرًا في حالة توقف الأداء. تعد هذه الأتمتة جزءًا أساسيًا من نظام جيد التنظيم سير عمل التعلم الآلي.

أمثلة في الممارسة العملية

تُستخدم عمليات الاستدعاء على نطاق واسع في مختلف مهام الرؤية الحاسوبية لتحسين نتائج التدريب.

1. حفظ أفضل نموذج لاكتشاف الكائنات: عند تدريب نموذج Ultralytics YOLO لاكتشاف الكائنات، يمكنك استخدام رد استدعاء ModelCheckpoint. يراقب رد الاستدعاء هذا متوسط متوسط الدقة (mAP) على مجموعة بيانات التحقق من الصحة. يقوم بحفظ أوزان النموذج في ملف فقط عندما تتحسن درجة mAP مقارنةً بأفضل درجة تم حفظها مسبقًا، مما يضمن لك الاحتفاظ بالنموذج الأكثر دقة. يمكنك الاطلاع على أداء النماذج المختلفة على صفحة مقارنة النماذج الخاصة بنا.
2. منع الإفراط في تصنيف الصور: تخيل تدريب نموذج لتصنيف الصور على مجموعة بيانات معقدة مثل ImageNet. يمكن تكوين رد استدعاء EarlyStopping لمراقبة خسارة التحقق من الصحة. إذا لم تتناقص خسارة التحقق من الصحة لعدد محدد من الحلقات، يقوم رد الاستدعاء تلقائيًا بإيقاف التدريب. هذا يمنع النموذج من الإفراط في ملاءمة بيانات التدريب ويوفر وقت تدريب وتكلفة حسابية كبيرة. يمكنك معرفة المزيد حول مهام تصنيف الصور وكيفية تنفيذها.

عمليات الاستدعاء مقابل المفاهيم الأخرى

من المفيد التمييز بين عمليات الاسترجاع والمصطلحات ذات الصلة:

• الدوال: في حين أن رد الاستدعاء هو نوع من الدوال، فإن السمة المميزة له هي أنه يتم تمريره كوسيطة إلى دالة أخرى (حلقة التدريب) ويتم استدعاؤه داخليًا بواسطة تلك الدالة في وقت محدد. عادةً ما يتم استدعاء الدالة القياسية مباشرةً من قبل المبرمج.
• الخطافات: في هندسة البرمجيات، الخطاف هو مصطلح أكثر عمومية لمكان في الكود يسمح بإدراج منطق مخصص. إن عمليات الاستدعاء في أطر التعلم الآلي هي تطبيق محدد لمفهوم الخطاف، وهي مصممة خصيصًا لأحداث دورة حياة تدريب النموذج.
• ضبط البارامتر الفائق: هذه هي عملية العثور على المعلمات الفائقة المثلى (مثل معدل التعلم أو حجم الدفعة) للنموذج. يمكن أن تساعد عمليات إعادة الاستدعاء في ضبط المعلمة الفائقة، على سبيل المثال، من خلال تنفيذ جدولة معدل التعلم، لكنها ليست عملية الضبط نفسها. عملية الضبط هي إجراء بحث أو تحسين على مستوى أعلى.

فوائد استخدام عمليات إعادة الاستدعاء

يوفر دمج عمليات الاستدعاء في عملية التدريب العديد من المزايا المهمة:

• الأتمتة: تعمل عمليات الاستدعاء على أتمتة المهام المتكررة مثل حفظ النماذج، وتسجيل المقاييس باستخدام أدوات مثل TensorBoard، وتعديل المعلمات، مما يقلل من الحاجة إلى التدخل اليدوي أثناء عمليات التدريب الطويلة.
• المرونة والتخصيص: فهي تسمح للمطورين بإدراج منطق مخصص في حلقة التدريب دون تعديل كود الإطار الأساسي، مما يتيح سلوكيات تدريب مصممة خصيصًا بشكل كبير. وهذا مفيد بشكل خاص للتجارب المعقدة أو تنفيذ تقنيات التدريب المتقدمة.
• الكفاءة: يمكن لعمليات الاستدعاء مثل الإيقاف المبكر وتعديل معدل التعلم الديناميكي أن تجعل التدريب أكثر كفاءة من خلال توفير الموارد الحسابية وربما تسريع تقارب النموذج.
• البصيرة والرصد: توفر رؤى عميقة حول ديناميكيات التدريب من خلال تمكين التسجيل المفصل وتصور المقاييس بمرور الوقت، وهو أمر بالغ الأهمية لتقييم النموذج.
• قابلية التكرار: من خلال توحيد الإجراءات المتخذة أثناء التدريب (على سبيل المثال، معايير الحفظ، وشروط الإيقاف)، تساهم عمليات الاسترجاع في زيادة قابلية تجارب التعلم الآلي للتكرار.

تقدم أطر عمل مثل Keras وPyTorch Lightning مجموعات واسعة من عمليات الاسترجاع المدمجة والواجهات المباشرة لإنشاء عمليات استدعاء مخصصة. تستفيد Ultralytics أيضًا من عمليات الاستدعاء داخليًا ضمن خطوط أنابيب التدريب الخاصة بها، مما يساهم في متانة وسهولة استخدام أدوات مثل Ultralytics YOLO11 ومنصة Ultralytics HUB. يمكن أن توفر مراجعة وثائق Ultralytics أمثلة أكثر تحديدًا تتعلق بتدريب نموذج YOLO.