استدعاء

في تعلم الآلة، الاستدعاء (callback) هو عبارة عن نص برمجي أو دالة مؤتمتة 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 (epoch)، أو دفعة التدريب، أو جلسة التدريب بأكملها. توفر الاستدعاءات 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 مسارات تعلم آلي (ML) فعالة وقوية.

كيف تعمل ردود الاتصال؟

عندما تقوم بتدريب شبكة عصبية (NN)، تتضمن العملية تكرارًا لـ مجموعة البيانات لعدة حقب (epochs). تدير حلقة التدريب هذه العملية، والتي تتضمن تغذية البيانات إلى النموذج وحساب الـ دالة الخسارة، وتحديث الـ لا يتم تعيين أوزان النموذج يدويًا ولكن يتم "تعلمها" من البيانات. تبدأ العملية بتهيئة الأوزان بأرقام عشوائية صغيرة. أثناء التدريب، يقوم النموذج بعمل تنبؤات على بيانات التدريب، وتقوم دالة الخسارة بحساب مدى خطأ هذه التنبؤات. ثم يتم استخدام إشارة الخطأ هذه في عملية تسمى الانتشار الخلفي لحساب تدرج الخسارة بالنسبة لكل وزن. تقوم خوارزمية التحسين، مثل تدرج تنازلي عشوائي (SGD)، بعد ذلك بضبط الأوزان في الاتجاه المعاكس للتدرج لتقليل الخطأ. تتكرر هذه الدورة لعدة حقبات حتى يتوقف أداء النموذج على مجموعة بيانات التحقق منفصلة عن التحسن، وهي علامة على أنه تعلم الأنماط في البيانات. خلال الانتشار الخلفي. تتصل ردود الاتصال (Callbacks) بهذه الحلقة عند أحداث معينة. على سبيل المثال، on_epoch_end سيقوم الاستدعاء بتنفيذ التعليمات البرمجية الخاصة به بدقة بعد اكتمال كل حقبة. وهذا يسمح بالتدخلات الديناميكية، مثل تعديل معدل التعلم، وحفظ أفضل نسخة من النموذج، أو إيقاف التدريب مبكرًا إذا استقر الأداء. هذه الأتمتة هي جزء أساسي من سير عمل تعلم الآلة.

أمثلة عملية

تستخدم عمليات الاسترجاع على نطاق واسع في مختلف مهام رؤية الحاسوب (CV) لتحسين نتائج التدريب.

1. حفظ أفضل نموذج لاكتشاف الكائنات: عند تدريب نموذج Ultralytics YOLO لـ اكتشاف الكائنات، يمكنك استخدام استدعاء ModelCheckpoint. يراقب هذا الاستدعاء متوسط الدقة (mAP) على مجموعة بيانات التحقق. يحفظ أوزان النموذج في ملف فقط عندما يتحسن معدل mAP مقارنة بأفضل درجة محفوظة سابقًا، مما يضمن الاحتفاظ بالنموذج الأكثر دقة. يمكنك معرفة أداء النماذج المختلفة في صفحة مقارنة النماذج الخاصة بنا.
2. منع التجاوز في تصنيف الصور: تخيل تدريب نموذج لـ تصنيف الصور image classification على مجموعة بيانات معقدة مثل ImageNet. يمكن تكوين معاودة الاتصال EarlyStopping لمراقبة خسارة التحقق. إذا لم تنخفض خسارة التحقق لعدد محدد من الحقب، فستوقف معاودة الاتصال التدريب تلقائيًا. هذا يمنع النموذج من التجاوز في بيانات التدريب overfitting to the training data ويوفر وقتًا كبيرًا للتدريب وتكلفة حسابية. يمكنك معرفة المزيد حول مهام تصنيف الصور image classification tasks وكيفية تنفيذها.

عمليات الاسترجاع مقابل المفاهيم الأخرى

من المفيد تمييز ردود الاتصال عن المصطلحات ذات الصلة:

• الدوال: في حين أن 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. يتم استدعاء الدالة القياسية عادةً مباشرةً بواسطة المبرمج.
• الخطافات (Hooks): في هندسة البرمجيات، الخطاف هو مصطلح عام لموضع في التعليمات البرمجية يسمح بإدراج منطق مخصص. تُعد ردود الاتصال (Callbacks) في أطر عمل تعلم الآلة تطبيقًا محددًا لمفهوم الخطاف، مصممًا خصيصًا لأحداث دورة حياة تدريب النموذج.
• ضبط المعلمات الفائقة: هذه هي عملية إيجاد المعلمات الفائقة المثالية (مثل معدل التعلم أو حجم الدفعة) لنموذج ما. يمكن لردود الاتصال (Callbacks) المساعدة في ضبط المعلمات الفائقة، على سبيل المثال، عن طريق تنفيذ جدولة لمعدل التعلم، لكنها ليست عملية الضبط نفسها. عملية الضبط هي إجراء بحث أو تحسين عالي المستوى.

فوائد استخدام ردود النداء (Callbacks)

يوفر دمج عمليات الاسترجاع (callbacks) في عملية التدريب العديد من المزايا الهامة:

• الأتمتة: تعمل ردود الاتصال على أتمتة المهام المتكررة مثل حفظ النماذج وتسجيل المقاييس باستخدام أدوات مثل TensorBoard، وضبط المعلمات، مما يقلل الحاجة إلى التدخل اليدوي أثناء عمليات التدريب الطويلة.
• المرونة والتخصيص: تسمح للمطورين بإدراج منطق مخصص في حلقة التدريب دون تعديل التعليمات البرمجية للإطار الأساسي، مما يتيح سلوكيات تدريب مخصصة للغاية. وهذا مفيد بشكل خاص للتجارب المعقدة أو لتنفيذ تقنيات التدريب المتقدمة.
• الكفاءة: يمكن لعمليات الاسترجاع (Callbacks) مثل الإيقاف المبكر (Early Stopping) وتعديل معدل التعلم الديناميكي أن تجعل التدريب أكثر كفاءة من خلال توفير الموارد الحسابية وربما تسريع تقارب النموذج.
• الرؤى والمراقبة: أنها توفر رؤى عميقة في ديناميكيات التدريب من خلال تمكين التسجيل التفصيلي وتصور المقاييس بمرور الوقت، وهو أمر بالغ الأهمية لـ تقييم النموذج.
• إمكانية التكرار: من خلال توحيد الإجراءات المتخذة أثناء التدريب (مثل حفظ المعايير، وشروط الإيقاف)، تساهم عمليات الاسترجاع في إجراء تجارب تعلم آلي أكثر قابلية للتكرار.

توفر أطر العمل مثل Keras و PyTorch Lightning مجموعات واسعة من الاستدعاءات المضمنة وواجهات مباشرة لإنشاء استدعاءات مخصصة. تستخدم Ultralytics أيضًا الاستدعاءات داخليًا ضمن مسارات التدريب الخاصة بها، مما يساهم في قوة وسهولة استخدام أدوات مثل Ultralytics YOLO11 ومنصة Ultralytics HUB. يمكن أن توفر استشارة وثائق Ultralytics المزيد من الأمثلة المحددة المتعلقة بتدريب نموذج YOLO.