أوزان النموذج (Model Weights)

أوزان النموذج هي المعلمات العددية داخل شبكة عصبونية التي يتم تعديلها أثناء عملية التدريب. تمثل هذه القيم بشكل أساسي المعرفة المكتسبة للنموذج. فكر فيها على أنها معاملات في معادلة معقدة للغاية؛ من خلال ضبط هذه المعاملات، يتعلم النموذج تعيين بيانات الإدخال، مثل الصورة، إلى الإخراج المطلوب، مثل مربع محيط حول كائن. تحدد جودة أوزان النموذج بشكل مباشر أدائه في مهمة معينة، مثل تصنيف الصور أو اكتشاف الكائنات.

كيف يتم تحديد الأوزان

لا يتم تعيين أوزان النموذج يدويًا ولكن يتم "تعلمها" من البيانات. تبدأ العملية بتهيئة الأوزان بأرقام عشوائية صغيرة. أثناء التدريب، يقدم النموذج تنبؤات حول بيانات التدريب، وتقوم دالة الخسارة بحساب مدى خطأ هذه التنبؤات. تُستخدم إشارة الخطأ هذه بعد ذلك في عملية تسمى الانتشار الخلفي لحساب تدرج الخسارة فيما يتعلق بكل 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.

أهمية الأوزان المدربة مسبقًا

يتطلب تدريب نموذج حديث من الصفر موارد حسابية هائلة ومجموعات بيانات ضخمة. للتغلب على هذا، يستخدم مجتمع رؤية الكمبيوتر على نطاق واسع الأوزان المدربة مسبقًا. يتضمن ذلك أخذ نموذج، مثل نموذج Ultralytics YOLO، تم تدريبه بالفعل على مجموعة بيانات كبيرة للأغراض العامة مثل COCO. تعمل هذه الأوزان كنقطة انطلاق ممتازة لمهمة جديدة ومحددة من خلال عملية تسمى التعلم بالنقل. من خلال البدء بالأوزان المدربة مسبقًا، يمكنك تحقيق دقة أعلى ببيانات أقل وأوقات تدريب أقصر من خلال عملية تُعرف باسم الضبط الدقيق.

تطبيقات واقعية

• تحليل الصور الطبية: يمكن للمطور أخذ نموذج YOLOv8 بأوزانه المدربة مسبقًا وضبطه بدقة على مجموعة بيانات مخصصة لفحوصات أورام الدماغ. يحتوي النموذج الناتج على أوزان مُحسَّنة خصيصًا لتحديد الأنماط الدقيقة للأورام، مما يساعد أخصائيي الأشعة في التشخيص. هذا تطبيق رئيسي للذكاء الاصطناعي في الرعاية الصحية.
• إدارة مخزون البيع بالتجزئة: يمكن لشركة بيع بالتجزئة استخدام نموذج لمراقبة الرفوف وحساب المنتجات. يتم ضبط نموذج اكتشاف الكائنات بدقة على صور لمنتجات المتجر. تسمح الأوزان النهائية للنموذج باكتشاف وحساب عناصر معينة بدقة من أجل تتبع المخزون الآلي.

الأوزان مقابل المفاهيم ذات الصلة

من المهم التمييز بين أوزان النموذج والمصطلحات الأخرى ذات الصلة في التعلم الآلي:

• المعلمات الفائقة: على عكس الأوزان التي يتم تعلمها، يتم تكوين المعلمات الفائقة قبل بدء التدريب. تتضمن الأمثلة معدل التعلم، و حجم الدفعة، واختيار المحسن. تُعرف عملية إيجاد أفضل تكوين للمعلمات الفائقة باسم ضبط المعلمات الفائقة.
• التحيزات (Biases): الأوزان والتحيزات كلاهما معلمات متعلمة. ومع ذلك، فإن الأوزان تقيس ناتج الخلية العصبية، بينما يقوم مصطلح التحيز بتحويله. معًا، يمنحون الشبكة العصبية (neural network) المرونة اللازمة لملاءمة البيانات.
• هندسة النموذج: الهندسة (مثل العمود الفقري أو رأس الكشف) هي مخطط النموذج - فهي تحدد الطبقات وكيفية توصيلها. الأوزان هي القيم الموجودة داخل هذا الهيكل. يمكن أن يكون للهندسة نفسها عدد لا يحصى من مجموعات الأوزان المختلفة اعتمادًا على كيفية تدريبها. يمكنك استكشاف مقارنات النماذج المختلفة لمعرفة كيف تختلف الهندسات.

إدارة وتتبع الأوزان

مع ازدياد تعقيد النماذج، تصبح إدارة أوزانها والتجارب التي تنتجها أمرًا بالغ الأهمية لإمكانية التكاثر والتعاون. توفر أدوات مثل Weights & Biases (W&B) نظامًا أساسيًا خصيصًا لـ MLOps، مما يسمح للفرق بتتبع المعلمات الفائقة والمقاييس وإصدارات التعليمات البرمجية وأوزان النموذج الناتجة لكل تجربة. من المهم ملاحظة أن منصة "Weights & Biases" تختلف عن مفاهيم "الأوزان" و "التحيزات" كمعلمات داخل شبكة عصبية؛ تساعد المنصة في إدارة عملية إيجاد الأوزان والتحيزات المثلى. يمكنك معرفة المزيد حول دمج Ultralytics مع W&B في الوثائق. تعد الإدارة الفعالة أمرًا أساسيًا للمهام التي تتراوح من ضبط المعلمات الفائقة إلى نشر النموذج باستخدام أطر عمل مثل PyTorch أو TensorFlow. توفر منصات مثل Ultralytics HUB أيضًا حلولاً متكاملة لإدارة دورة حياة النموذج بأكملها.