التقليم

أهمية التقليم

مع نمو نماذج التعلُّم العميق (DL) بشكل أكبر وأكثر تعقيدًا لمعالجة المهام المعقدة، يزداد طلبها على الطاقة الحاسوبية والتخزين والطاقة بشكل كبير. يعالج التقليم هذا التحدي بشكل مباشر من خلال جعل النماذج أكثر خفة وفعالية. يؤدي هذا التحسين إلى العديد من الفوائد: انخفاض احتياجات التخزين، وانخفاض استهلاك الطاقة أثناء التشغيل، وانخفاض زمن الاستجابة للاستدلال، وهو أمر بالغ الأهمية للتطبيقات التي تتطلب الاستدلال في الوقت الحقيقي. يُعد التقليم ذا قيمة خاصة لنشر النماذج في البيئات المحدودة الموارد مثل الأجهزة المحمولة والأنظمة المدمجة وسيناريوهات الذكاء الاصطناعي المتنوعة على الحافة حيث تكون الكفاءة هي الشاغل الأساسي. كما يمكن أن يساعد أيضًا في التخفيف من الإفراط في التركيب من خلال تبسيط النموذج.

تطبيقات التقليم

يتم تطبيق تقنيات التقليم على نطاق واسع في العديد من مجالات الذكاء الاصطناعي. فيما يلي مثالان ملموسان:

1. نشر نماذج الكشف عن الكائنات على الأجهزة الطرفية: نموذج Ultralytics YOLO قد يكون النموذج المدرّب على اكتشاف الأجسام كبيرًا جدًا أو بطيئًا جدًا بحيث لا يمكن نشره على جهاز منخفض الطاقة مثل Raspberry Pi أو Google Edge TPU. يمكن أن يقلل التقليم من حجم النموذج والحمل الحسابي، مما يتيح تشغيله بفعالية على مثل هذه الأجهزة لمهام مثل أنظمة الأمان أو مراقبة الحياة البرية المحلية. راجع أدلة مثل البرنامج التعليمي Edge TPU على جهاز Raspberry Pi أو دليلNVIDIA Jetson للحصول على أمثلة للنشر.
2. تحسين النماذج للأنظمة ذاتية القيادة: في المركبات ذاتية القيادة، يجب أن تعمل نماذج الإدراك المعقدة لمهام مثل تجزئة الصور أو دمج أجهزة الاستشعار بأقل وقت استجابة. يساعد التقليم على تحسين هذه الشبكات العصبية التلافيفية (CNNs) لتلبية متطلبات المعالجة الصارمة في الوقت الحقيقي، مما يضمن تشغيل المركبات بأمان واستجابة سريعة. أطر عمل مثل NVIDIA TensorRT غالباً ما تدعم النماذج المشذبة للاستدلال الأمثل.

الأنواع والتقنيات

تختلف طرق التقليم ولكنها تندرج عموماً ضمن هذه الفئات الرئيسية:

• التقليم غير المنظم: يتضمن هذا إزالة الأوزان الفردية أو الخلايا العصبية بناءً على معايير مثل انخفاض الحجم أو المساهمة في الخرج. وينتج عنه نماذج متناثرة ذات أنماط غير منتظمة من الوصلات التي تمت إزالتها. وعلى الرغم من إمكانية تحقيق معدلات ضغط عالية، إلا أن هذه النماذج قد تتطلب أجهزة أو مكتبات برمجية متخصصة (مثل Neural Magic's DeepSparse) من أجل التنفيذ الفعال. راجع تكاملUltralytics Neural Magic .
• التقليم الهيكلي: تزيل هذه التقنية مكونات هيكلية كاملة من الشبكة، مثل المرشحات أو القنوات أو حتى الطبقات. يحافظ هذا على بنية منتظمة، مما يجعل النموذج المشذّب أكثر توافقًا مع مسرعات الأجهزة القياسية والمكتبات مثل دعم التشتت المنظم منNVIDIA.

يمكن تنفيذ التقليم في مراحل مختلفة: قبل التدريب (التأثير على تصميم البنية)، أو أثناء عملية التدريب، أو بعد التدريب على نموذج مُدرَّب مسبقًا، وغالبًا ما يتبعه ضبط دقيق لاستعادة أي دقة مفقودة. أطر التعلم العميق الرئيسية مثل PyTorch و TensorFlow أدوات ودروس تعليمية، مثل PyTorch Pruning Tutorial، لتنفيذ استراتيجيات تشذيب مختلفة.

التقليم مقابل تقنيات التحسين الأخرى

التقليم هو أحد الأساليب العديدة المستخدمة لتحسين النموذج. ومن المفيد تمييزه عن المفاهيم ذات الصلة:

• التكميم الكمي للنموذج: يقلل من دقة أوزان النموذج وتنشيطاته (على سبيل المثال، من 32 بت عائم إلى 8 بت أعداد صحيحة)، مما يقلل من حجم النموذج وغالبًا ما يسرع من الحساب، خاصةً على الأجهزة المتخصصة.
• تقطير المعرفة: ينطوي على تدريب نموذج "طالب" أصغر حجمًا لمحاكاة سلوك نموذج "معلم" أكبر تم تدريبه مسبقًا، ونقل المعرفة دون توريث التعقيد.

هذه التقنيات لا يستبعد بعضها بعضًا، وكثيرًا ما يتم استخدامها مع التقليم لتحقيق مستويات أعلى من التحسين. على سبيل المثال، يمكن تشذيب النموذج أولاً، ثم تكميمه لتحقيق أقصى قدر من الكفاءة. يمكن غالبًا تصدير النماذج المُحسَّنة إلى تنسيقات قياسية مثل ONNX باستخدام أدوات مثل وظيفة التصديرUltralytics لتوافق النشر على نطاق واسع عبر محركات الاستدلال المختلفة.

باختصار، يُعد التقليم أسلوبًا قويًا لإنشاء نماذج ذكاء اصطناعي فعّالة ومناسبة لاحتياجات النشر المتنوعة، حيث تلعب دورًا مهمًا في التطبيق العملي للرؤية الحاسوبية وغيرها من مهام تعلّم الآلة. توفر منصات مثل Ultralytics HUB الأدوات والبنية التحتية، بما في ذلك التدريب السحابي، التي يمكن أن تسهل تطوير وتحسين نماذج مثل YOLOv8 أو YOLO11.