تعرف على كيفية تمكين متجهات المهام من دمج النماذج وتوجيه السلوك بكفاءة. اكتشف كيفية التعامل مع أوزان Ultralytics من أجل تنفيذ مهام متعددة دون تدريب مسبق.
تمثل متجهات المهام التغييرات المحددة التي تُجرى على أوزان الشبكة العصبية أثناء عملية الضبط الدقيق من أجل تحقيق قدرة جديدة. من خلال طرح معلمات النموذج الأساسي من معلمات النموذج المضبوط بدقة، يمكن للباحثين عزل متجه اتجاهي في فضاء الأوزان يضم السلوك المكتسب لتلك المهمة المحددة. تتيح هذه الطريقة للمطورين تطبيق عمليات حسابيةبسيطة على معلمات النموذج لتوجيه سلوكيات النموذج أو تعديلها أو دمجها دون الحاجة إلى حوسبة تدريب إضافية.
في حين أن مفهوم التعلم الترحيلي ينطوي على تدريب النموذج بشكل متسلسل على مجموعة بيانات جديدة لتكييف معرفته الحالية، فإن متجهات المهام تعمل مباشرة على الأوزان الهيكلية للنموذج بعد التدريب. بدلاً من إعادة تدريب التدرجات لتعلم مجال جديد، يسمح استيفاء فضاء الأوزان باستخدام متجهات المهام للممارسين بالجمع الخطي بين فروق الأوزان من نماذج متعددة تم تدريبها بشكل مستقل. وهذا يتيح دمج النماذج بدون تدريب (zero-shot)، مما يسمح لنموذج واحد بوراثة قدرات متعددة في وقت واحد دون الأعباء الحسابية المعتادة أثناء التدريب.
أدت القدرة على معالجة نماذج التعلم العميق بشكل جبري إلى ظهور العديد من التطبيقات المؤثرة في مختلف مسارات عمل الذكاء الاصطناعي الحديثة:
يتطلب إنشاء متجه المهمة وتطبيقه الوصول إلى قاموسPyTorch ومعالجته. ويوضح المثال التالي كيفية استخراج متجه المهمة من نموذج YOLO26 الذي تم ضبطه بدقة وتطبيقه مرة أخرى على النموذج الأساسي باستخدام معامل تحجيم محدد.
from ultralytics import YOLO
# Load the state dictionaries for the base and fine-tuned models
base_weights = YOLO("yolo26n.pt").model.state_dict()
tuned_weights = YOLO("yolo26n-custom.pt").model.state_dict()
# Calculate the task vector (tuned weights minus base weights)
task_vector = {k: tuned_weights[k] - base_weights[k] for k in base_weights.keys()}
# Apply the task vector to the base model using a 0.5 scaling factor
for k in base_weights.keys():
base_weights[k] += 0.5 * task_vector[k]
مع تزايد عدد المعلمات في البنى الهندسية مثل نماذج اللغة الضخمة ومحولات الرؤية الضخمة، يصبح إعادة تدريبها من أجل كل تعديل بسيط أمراً غير مجدٍ من الناحية الاقتصادية. وتوفر متجهات المهام بديلاً رياضياً أنيقاً لتحسين النموذج بعد التدريب. من خلال مشاركة متجهات المهام خفيفة الوزن بدلاً من النماذج الكاملة التي تبلغ سعتها عدة غيغابايت، يمكن لمجتمع الذكاء الاصطناعي تسريع التعاون مفتوح المصدر في مجال الذكاء الاصطناعي. بمجرد تحسين متجهات المهام المخصصة الخاصة بك، فإن استخدام Ultralytics يبسط عمليات نشر النموذج ومراقبته اللاحقة، مما يضمن ترجمة الأوزان المُحسّنة مباشرةً إلى نقاط نهاية جاهزة للإنتاج.
ابدأ رحلتك مع مستقبل تعلم الآلة
