Epoch

تمثل الحقبة دورة كاملة واحدة عبر مجموعة بيانات التدريب بأكملها بواسطة خوارزمية تعلّم آلي. خلال هذه العملية، تتاح للنموذج فرصة تحديث معلماته الداخلية استنادًا إلى كل عينة في البيانات مرة واحدة بالضبط. في سياق التعلّم العميق، نادرًا ما تكون المرورّة الواحدة كافية لكي تتعلم الشبكة العصبية الأنماط المعقدة بفعالية. لذلك، يتضمن التدريب عادةً حقبًا متعددة، مما يتيح لخوارزمية التعلّم تحسين فهمها تكراريًا وتقليل الخطأ بين تنبؤاتها والقيم الحقيقية الفعلية.

دور الحقب في التحسين#

الهدف الأساسي من التدريب هو ضبط أوزان النموذج لتقليل دالة خسارة محددة. تستخدم خوارزميات التحسين، مثل الانحدار المتدرج العشوائي (SGD) أو مُحسِّن Adam، الخطأ المحسوب خلال كل حقبة لتوجيه عمليات الضبط هذه. ومع زيادة عدد الحقب، ينتقل النموذج عمومًا من حالة الخطأ المرتفع (التخمين العشوائي) إلى الخطأ المنخفض (الأنماط المتعلَّمة).

ومع ذلك، يُعد اختيار العدد الصحيح من الحقب جانبًا حاسمًا من ضبط المعلمات الفائقة.

• عدد قليل جدًا من الحقب: قد يؤدي ذلك إلى عدم الملاءمة، حيث لم يلتقط النموذج بعد الاتجاه الكامن في البيانات.
• عدد كبير جدًا من الحقب: يؤدي ذلك غالبًا إلى فرط الملاءمة، حيث يحفظ النموذج ضوضاء التدريب بدلًا من التعميم على البيانات الجديدة. ولمنع ذلك، يراقب المطورون غالبًا الأداء على بيانات التحقق ويستخدمون تقنيات مثل الإيقاف المبكر لإيقاف التدريب عندما يتوقف التعميم عن التحسن.

الحقبة مقابل الدفعة مقابل التكرار#

من الشائع أن يخلط المبتدئون بين «الحقبة» والمصطلحات ذات الصلة. ويُعد فهم التسلسل الهرمي لهذه المفاهيم ضروريًا لتهيئة حلقات التدريب بصورة صحيحة:

• الحقبة: مرور كامل واحد عبر مجموعة البيانات بأكملها.
• الدفعة: مجموعة فرعية من مجموعة البيانات تُعالَج في الوقت نفسه. ونظرًا إلى أن مجموعات البيانات تكون غالبًا أكبر من أن تتسع لها ذاكرة GPU دفعة واحدة، فإنها تُقسَّم إلى مجموعات أصغر يحددها حجم الدفعة.
• التكرار: تحديث واحد لأوزان النموذج. فإذا كانت مجموعة البيانات تحتوي على 1,000 صورة وكان حجم الدفعة 100، فسيستلزم إكمال حقبة واحدة 10 تكرارات.

التطبيقات الواقعية#

يختلف عدد الحقب المطلوبة اختلافًا كبيرًا بحسب تعقيد المهمة وحجم البيانات.

• تحليل الصور الطبية: في تحليل الصور الطبية، مثل اكتشاف الأورام في فحوصات MRI، تكون الدقة بالغة الأهمية. وغالبًا ما تُدرَّب النماذج المخصصة لهذه المهام لمئات الحقب. ويضمن هذا التدريب المكثف قدرة الشبكة العصبية الالتفافية (CNN) على تمييز الشذوذات الدقيقة التي تفرق بين الأنسجة الخبيثة والأنسجة السليمة، مما قد ينقذ الأرواح.
• القيادة الذاتية: بالنسبة إلى المركبات ذاتية القيادة، يجب أن تحدد نماذج اكتشاف الأجسام المشاةَ والإشارات والمركبات الأخرى بشكل موثوق. ويتضمن تدريب هذه الأنظمة المتينة عادةً مجموعات بيانات ضخمة مثل COCO أو Objects365. وعلى الرغم من ضخامة مجموعة البيانات، لا يزال النموذج يحتاج إلى حقب متعددة للتقارب نحو حل يعمم جيدًا على مختلف ظروف الطقس والإضاءة.

إدارة دورات التدريب باستخدام التعليمات البرمجية#

عند استخدام أطر العمل الحديثة مثل Ultralytics YOLO، يكون تحديد عدد الحقب وسيطًا مباشرًا في أمر التدريب. ويمكن لأدوات مثل منصة Ultralytics المساعدة في تصور منحنيات الخسارة خلال كل حقبة لتحديد نقطة التوقف المثلى.

يوضح المثال التالي كيفية ضبط عدد الحقب عند تدريب نموذج YOLO26:

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model for 50 epochs
# The 'epochs' argument determines how many times the model sees the entire dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

في هذا المقتطف، يوجّه الوسيط epochs=50 محرّك التدريب إلى المرور عبر مجموعة بيانات coco8.yaml عدد 50 مرة منفصلة. وخلال كل دورة، ينفذ النموذج الانتشار الأمامي والانتشار العكسي لتحسين قدراته على الاكتشاف.