دالة الخسارة

تُعد دالة الخسارة، التي يُشار إليها عادةً بدالة التكلفة أو دالة الهدف، بمثابة النواة الرياضية ل التعلّم الآلي الحديث (ML) و وأنظمة التعلم العميق (DL) الحديثة. وهي تقيس الفرق الفرق بين المخرجات المتوقعة للنموذج والحقيقة الأساسية الفعلية المتوفرة في بيانات التدريب. بشكل أساسي، تقوم دالة الخسارة قيمة عددية واحدة تمثل "خطأ" النموذج في أي لحظة معينة؛ حيث تشير القيمة العالية إلى ضعف الأداء العالية تشير إلى ضعف الأداء، بينما تشير القيمة المنخفضة إلى أن التنبؤات قريبة من الهدف. الهدف الأساسي الأساسي خلال مرحلة تدريب النموذج هو تقليل هذه القيمة بشكل متكرر، وبالتالي توجيه الشبكة العصبية نحو دقة أعلى.

آليات التعلم

تتم عملية التعلم في الذكاء الاصطناعي من خلال حلقة التغذية الراجعة التي توفرها دالة الخسارة. عندما يقوم النموذج بمعالجة مجموعة من البيانات، فإنه يولد تنبؤات تتم مقارنتها على الفور مع التسميات الصحيحة باستخدام دالة الخسارة. هذا الخطأ المحسوب ليس مجرد درجة بل إشارة تستخدم للتحسين.

بمجرد احتساب الخسارة، تقوم عملية تسمى التكاثر العكسي تحدد تدرج الخسارة بالنسبة لمعلمات النموذج. تقوم خوارزمية خوارزمية التحسين، مثل منحدر التدرج العشوائي (SGD) أو مُحسِّنAdam تستخدم معلومات التدرج هذه لضبط أوزان النموذج الداخلية. يتم التحكم في هذه التعديلات الصغيرة بواسطة معدل تعلم محدد، مما يضمن تقارب النموذج تدريجيًا على الحالة المثلى حيث يتم تقليل الخسارة إلى الحد الأدنى.

الأنواع الشائعة من دوال الخسارة

مختلف مهام الرؤية الحاسوبية المختلفة تتطلب معادلات رياضية مختلفة لقياس الخطأ بفعالية.

• متوسط الخطأ التربيعي (MSE): تُستخدم في الغالب في تحليل الانحدار، تحسب هذه الدالة متوسط الفرق التربيعي متوسط الفرق التربيعي بين القيم المقدرة والقيمة الفعلية. وهي مفيدة عند التنبؤ بالبيانات البيانات العددية المستمرة، مثل أسعار المساكن أو الإحداثيات.
• الخسارة عبر الانتروبيا المتقاطعة: هذه هي دالة الخسارة القياسية لمشكلات لمشاكل تصنيف الصور. وهي تقيس أداء نموذج التصنيف الذي تكون مخرجاته عبارة عن قيمة احتمالية بين 0 و1. تعاقب على التنبؤات الخاطئة ذات الثقة العالية، وهي ضرورية لتدريب النماذج على مجموعات بيانات مثل ImageNet.
• الخسارة البؤرية: مصممة لمعالجة اختلال التوازن الطبقي, يطبق مصطلح " الخسارة البؤرية " مصطلحاً معدلاً على معيار القياسية لتركيز التعلّم على الأمثلة التي يصعب classify . هذا مهم بشكل خاص في اكتشاف الأجسام حيث تفوق الخلفية تفوق بكثير الأجسام ذات الأهمية.
• خسارةIoU : متغيرات التقاطع على الاتحاد (IoU)، مثل مثل GIoU و CIoU وهي ضرورية لانحدار الصندوق المحدود. فهي تقيس التداخل بين الصندوق المتوقع و صندوق الحقيقة الأرضية. النماذج عالية الأداء مثل Ultralytics YOLO11 تستخدم هذه الدوال المتطورة المتطورة لتحقيق توطين دقيق للأجسام.
• خسارة النرد: تُستخدم على نطاق واسع في التجزئة الدلالية، هذه الدالة تقيس التداخل بين عينتين وهي قوية بشكل خاص ضد اختلال التوازن الفئوي في مهام تصنيف في مهام التصنيف على مستوى البكسل.

تطبيقات واقعية

تعمل وظائف الخسارة خلف كواليس كل تطبيق ناجح للذكاء الاصطناعي تقريبًا، مما يضمن السلامة و والموثوقية.

1. التصنيع الآلي: في البيئات الصناعية, يعتمد الذكاء الاصطناعي في التصنيع على أنظمة الكشف عن العيوب. تساعد دالة الخسارة النموذج على تعلم الاختلافات البصرية الدقيقة بين المنتج المثالي و المنتج المثالي والمنتج المعيب. من خلال تقليل الخسارة أثناء التدريب على مجموعة بيانات فحص الجودة، يتعلم النظام تحديد الحالات الشاذة على خطوط التجميع بدقة عالية، مما يقلل من الهدر.
2. التشخيص الطبي: في مجال تحليل الصور الطبية، تستخدم نماذج مثل U-Net التي تستخدم فقدان النرد أو الانتروبيا المتقاطعة المرجحة من أجل تحديد الأمراض. على سبيل المثال، عند التدريب على مجموعة بيانات الكشف عن أورام الدماغ، فإن دالة الخسارة تعاقب الدالة النموذج بشدة إذا أخطأ في تحديد البيكسلات السرطانية، مما يوجهه إلى segment الأورام بدقة عن الأنسجة السليمة، وهو أمر حيوي بالنسبة الذكاء الاصطناعي في سير عمل الرعاية الصحية.

مثال Python : مراقبة الخسارة

عند استخدام الأطر عالية المستوى، غالبًا ما يتم حساب الخسارة آليًا. يوضح المثال التالي تدريب نموذج YOLO11 حيث يتم اختيار دالة الخسارة وحسابها تلقائيًا لتحسين الأداء. تقوم حلقة التدريب تقوم حلقة التدريب بطباعة قيم الخسارة (خسارة الصندوق، خسارة الفئة، إلخ) بعد كل حقبة.

from ultralytics import YOLO

# Load the YOLO11 nano model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# The loss functions (IoU, DFL, Cls) are automatically applied and minimized
results = model.train(data="coco8.yaml", epochs=3, imgsz=640)

# Loss metrics are recorded in the results object
print("Final Box Loss:", results.results_dict.get("train/box_loss"))

التمييز عن المفاهيم ذات الصلة

لفهم خط أنابيب التدريب بشكل كامل، من المفيد التمييز بين دالة الخسارة والمقاييس الأخرى و والمكونات الأخرى.

• وظيفة الخسارة مقابل مقاييس التقييم: بينما يقيس كلاهما الأداء، إلا أنهما يخدمان مرحلتين مختلفتين. تكون دالة الخسارة قابلة للتمييز وتستخدم أثناء التدريب لتحديث الأوزان (على سبيل المثال، لوغاريتم الخسارة). مقاييس التقييم مثل الدقة الدقة، و متوسط متوسط الدقة (mAP) تُستخدم بعد خطوات التدريب لتفسير مدى جودة أداء النموذج بمصطلحات يمكن للبشر قراءتها. يمكن للنموذج أن يقلل الخسارة بفعالية ولكن لا يزال لديه دقة منخفضة إذا كانت دالة الخسارة غير متوافقة بشكل جيد مع مقياس التقييم.
• دالة الخسارة مقابل الانتظام: تقوم دالة الخسارة بتوجيه النموذج نحو الإجابة الصحيحة, بينما تقنيات التنظيم (مثل L1 أو L2 أو التسرب) تضاف إلى معادلة الخسارة لمنع الإفراط في التركيب. يعاقب التنظيم النماذج المعقدة بشكل مفرط معقدة للغاية، مما يضمن تعميمها بشكل جيد على بيانات اختبار بيانات الاختبار الجديدة غير المرئية.
• دالة الخسارة مقابل التحسين: تحدد دالة الخسارة ما هو الهدف (تقليل الخطأ الخطأ)، بينما تحدد خوارزمية التحسين كيفية الوصول إلى هذا الهدف (تحديث الأوزان عبر التدرجات). يمكنك استكشاف العديد من المُحسِّنات في وثائقPyTorch .