أطلق العنان لقوة التعلم بالنقل لتوفير الوقت وتعزيز أداء الذكاء الاصطناعي ومعالجة المهام الجديدة ببيانات محدودة باستخدام النماذج المدربة مسبقًا.
التعلّم التحوّلي هو تقنية تعلّم آلي يتم فيها إعادة استخدام نموذج تم تطويره لمهمة واحدة كنقطة بداية لنموذج في مهمة ثانية ذات صلة. بدلًا من تدريب نموذج من الصفر، وهو ما يتطلب كميات هائلة من من بيانات التدريب والموارد الحاسوبية، فإن نقل يستفيد التعلم من المعرفة - مثل خرائط السمات والأوزان والأنماط - المكتسبة من مهمة المصدر. هذا النهج هو حجر الزاوية في التعلم العميق الحديث, خاصة في مجال الرؤية الحاسوبية (CV)، مما يتيح للمطورين المطورين من تحقيق دقة عالية مع بيانات أقل وأوقات تدريب أقصر.
تعتمد العملية على قدرة الشبكات العصبية على تعلُّم الميزات الهرمية الهرمية. في الطبقات الأولية للنموذج، والتي تسمى غالبًا العمود الفقري، تتعلم الشبكة السمات البصرية العامة مثل الحواف والقوام والأشكال. تنطبق هذه الميزات على أي مهمة بصرية تقريبًا.
ينطوي التعلّم التحويلي عادةً على مرحلتين رئيسيتين:
لمزيد من التعمق النظري، تقدم ملاحظات ملاحظات جامعة ستانفورد CS231n عن التعلّم التحويلي موردًا ممتازًا.
يعالج التعلم المنقول التحدي الشائع المتمثل في ندرة البيانات. من خلال البدء بالميزات التي تم تعلمها مسبقًا، تتجنب النماذج الإفراط في التركيب على مجموعات البيانات الصغيرة وتتقارب بشكل أسرع بكثير من النماذج التي تم تهيئتها بأوزان عشوائية.
يعمل التعلم المنقول على تشغيل حلول الذكاء الاصطناعي المستخدمة على نطاق واسع في مختلف الصناعات المختلفة:
من المفيد التمييز بين التعلّم التحويلي والمصطلحات المشابهة:
ما يلي Python مثال يوضح كيفية تطبيق التعلّم الانتقالي باستخدام
المثال ultralytics مكتبة. نقوم بتحميل نموذج YOLO11 المدرّب مسبقًا على COCO ونضبطه على مجموعة بيانات نموذجية.
from ultralytics import YOLO
# Load a pre-trained model (weights derived from the COCO dataset)
# This acts as our starting point for transfer learning
model = YOLO("yolo11n.pt")
# Fine-tune the model on a new dataset (e.g., COCO8)
# The model adapts its pre-learned features to the specific data
model.train(data="coco8.yaml", epochs=5)
# The updated model can now be used for inference on the new task
model.predict("path/to/image.jpg")
للمزيد من التفاصيل حول التنفيذ، يرجى الرجوع إلى البرنامج التعليمي الرسمي لتعلم نقلPyTorch أو دليل تعلُّم النقلTensorFlow الرسمي.
