البحث عن التصميم العصبي (NAS)

البحث في البنية العصبية (NAS) هو تقنية متطورة في مجال التعلم الآلي الآلي (AutoML) التي تعمل على أتمتة تصميم الشبكات العصبية الاصطناعية. تقليديًا، كان تصميم بنى التعلم العميق (DL) عالية الأداء يتطلب خبرة بشرية واسعة، وحدسًا، وتجارب وتجارب تستغرق وقتًا طويلاً. يستبدل NAS هذه العملية اليدوية باستراتيجيات خوارزمية تستكشف بشكل منهجي مجموعة واسعة من طبولوجيات الشبكات لاكتشاف الهيكل الأمثل لمهمة معينة. من خلال اختبار مجموعات مختلفة من الطبقات والعمليات، يمكن لـ NAS تحديد البنى التي تتفوق بشكل كبير على النماذج المصممة من قبل البشر من حيث الدقة والكفاءة الحسابية أو سرعة الاستدلال.

الآليات الأساسية لـ NAS

تتضمن عملية اكتشاف بنية فائقة بشكل عام ثلاثة أبعاد أساسية تتفاعل معًا للعثور على أفضل شبكة عصبية (NN):

1. مساحة البحث: تحدد مجموعة جميع البنى الممكنة التي يمكن للخوارزمية استكشافها. وهي تعمل مثل مكتبة من وحدات البناء، مثل مرشحات التحويل، وطبقات التجميع، ووظائف التنشيط المختلفة . تحد مساحة البحث المحددة جيدًا من التعقيد لضمان بقاء البحث ممكنًا حسابيًا مع توفير مرونة كافية للابتكار.
2. استراتيجية البحث: بدلاً من اختبار كل الاحتمالات (القوة الغاشمة)، يستخدم NAS خوارزميات ذكية للتنقل في مساحة البحث بكفاءة. تشمل الأساليب الشائعة التعلم المعزز، حيث يتعلم الوكيل توليد هياكل أفضل بمرور الوقت، و الخوارزميات التطورية، التي تتحول وتجمع النماذج الأفضل أداءً لتوليد مرشحين متميزين.
3. استراتيجية تقدير الأداء: تدريب كل شبكة مرشحة من الصفر عملية بطيئة للغاية. لتسريع هذه العملية، يستخدم NAS تقنيات التقدير — مثل التدريب على عدد أقل من الفترات الزمنية، أو استخدام مجموعات بيانات بديلة ذات دقة أقل، أو استخدام تقاسم الأوزان— لتصنيف إمكانات البنية المرشحة بسرعة. .

تطبيقات واقعية

أصبحت شبكات التخزين (NAS) ذات أهمية بالغة في الصناعات التي تفرض قيودًا صارمة على الأجهزة أو متطلبات الأداء، مما يدفع حدود الرؤية الحاسوبية (CV) ومجالات الذكاء الاصطناعي الأخرى .

• الحوسبة الفعالة على الحافة: يتطلب نشر الذكاء الاصطناعي على الأجهزة المحمولة نماذج خفيفة الوزن وسريعة. يستخدم NAS على نطاق واسع لاكتشاف بنى مثل MobileNetV3 و EfficientNet التي تقلل زمن الاستدلال مع الحفاظ على دقة عالية. وهذا أمر حيوي لتطبيقات الذكاء الاصطناعي على الحافة، مثل تحليلات الفيديو في الوقت الفعلي على الكاميرات الذكية أو الطائرات بدون طيار المستقلة.
• التصوير الطبي: في تحليل الصور الطبية، الدقة هي الأمر الأهم. يمكن لـ NAS تخصيص الشبكات detect الانحرافات detect في الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي، وغالبًا ما تجد مسارات جديدة لاستخراج الميزات التي قد يغفلها المهندسون البشريون. وهذا يؤدي إلى أدوات أكثر موثوقية لتحديد حالات مثل أورام الدماغ أو الكسور بحساسية أعلى.

NAS مقابل المفاهيم ذات الصلة

لفهم الدور المحدد لـ NAS، من المفيد تمييزه عن تقنيات التحسين المماثلة:

• NAS مقابل ضبط المعلمات الفائقة: في حين أن كلاهما ينطوي على التحسين، يركز ضبط المعلمات الفائقة على تعديل إعدادات التكوين (مثل معدل التعلم أو حجم الدفعة) لهيكل ثابت. في المقابل، يغير NAS الهيكل الأساسي للنموذج نفسه، مثل عدد الطبقات أو كيفية توصيل الخلايا العصبية.
• NAS مقابل التعلم النقلي: يأخذ التعلم النقلي نموذجًا موجودًا ومدربًا مسبقًا ويكيف أوزانه مع مهمة جديدة. NAS ينشئ بنية النموذج من الصفر (أو يبحث عن هيكل أساسي أفضل) قبل بدء التدريب.

استخدام النماذج المستمدة من NAS

في حين أن إجراء بحث NAS كامل يتطلب مواردGPU كبيرة ، يمكن للمطورين استخدام النماذج التي تم إنشاؤها عبر NAS بسهولة. على سبيل المثال، تم اكتشاف بنية YOLO باستخدام مبادئ البحث هذه لتحسين مهام الكشف عن الكائنات.

يوضح Python التالي Python كيفية تحميل واستخدام نموذج NAS تم البحث عنه مسبقًا باستخدام ultralytics الحزمة:

from ultralytics import NAS

# Load a pre-trained YOLO-NAS model (architecture found via NAS)
# 'yolo_nas_s.pt' refers to the small version of the model
model = NAS("yolo_nas_s.pt")

# Run inference on an image to detect objects
# This utilizes the optimized architecture for fast detection
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top detected class
print(f"Detected: {results[0].names[int(results[0].boxes.cls[0])]}")

بالنسبة لأولئك الذين يتطلعون إلى تدريب نماذج متطورة دون تعقيدات NAS، يوفر Ultralytics بنية محسّنة للغاية جاهزة للاستخدام، تضم أحدث التطورات في مجال البحث. يمكنك بسهولة إدارة مجموعات البيانات والتدريب والنشر لهذه النماذج باستخدام Ultralytics تبسط دورة حياة MLOps بأكملها.