تصویر نمونه ای از یادگیری انتقال را برای یک شبکه ResNet 50 از پیش آموزش دیده را نشان می دهد که می تواند اشیاء موجود در یک تصویر را شناسایی کند. با استفاده از هزاران تصویر آموزش داده شده است، بیش از 23 میلیون پارامتر قابل آموزش و 1000 کلاس دارد (به این معنی که می تواند 1000 شی مانند حیوانات، افراد یا چیزهای دیگر را طبقه بندی کند). با این حال، هنوز هم نمی تواند همه چیز را تشخیص دهد!
· Pytorch
این فناوری‌ها با هم به کسب‌وکارها این امکان را داده‌اند تا اپلیکیشن‌های پیچیده‌تری را با سرعت‌های بالاتر از همیشه ایجاد کنند. با استفاده از کتابخانه‌های منبع باز (مانند scikit-learn*، OpenVINO™ و غیره) و چارچوب‌ها (مانند Pytorch* یا TensorFlow*)، توسعه‌دهندگان می‌توانند به مدل‌ها و الگوریتم‌های از پیش ساخته شده دسترسی داشته باشند که زمان توسعه را به شدت کاهش می‌دهند. یادگیری انتقالی این را یک گام جلوتر می‌برد و ماشین‌ها را قادر می‌سازد تا داده‌های جدید را بر اساس آنچه قبلاً از مجموعه داده‌های قبلی آموخته‌اند تفسیر کنند. این به معنای دقت بالاتر هنگام شناسایی الگوها یا پیش‌بینی نتایج در سناریوهای دنیای واقعی است – کاری که هیچ توسعه‌دهنده‌ای به تنهایی نمی‌تواند انجام دهد.
علی‌رغم مزایای واضح، چالش‌هایی با یادگیری انتقالی وجود دارد، که از نحوه تصمیم‌گیری برای استفاده از کدام مدل از پیش آموزش‌دیده شروع می‌شود. استفاده از مدل های موجود تنها در صورتی کار می کند که مدل مناسب را انتخاب کنید. انتخاب نامناسب می تواند به نتایج نابهینه به دلیل عدم تطابق بین توزیع داده های منبع و هدف منجر شود. علاوه بر این، ممکن است هنگام استفاده مجدد از برخی از مدل‌های در دسترس عموم (مثلاً مدل‌هایی که در مجموعه داده‌هایی با اطلاعات حساس آموزش دیده‌اند) مسائلی در رابطه با حریم خصوصی یا محدودیت‌های قانونی وجود داشته باشد. علاوه بر این، بسته به اینکه چه مقدار داده برای آموزش و تنظیم دقیق در دسترس است، کاربران ممکن است در یافتن معماری های مناسبی که به اندازه کافی قوی هستند برای تعمیم نمونه های دیده نشده از مجموعه داده هدف خود با مشکل مواجه شوند.
نویسنده: ازکیل لانزا
اگر نیاز دارید چیزی را شناسایی کنید که Resnet قادر به تشخیص آن نیست، مدل نیاز به تنظیم دقیق دارد. ابتدا باید مدل اصلی وارد شود اما در این حالت فقط لایه LAST (طبقه بندی) آموزش داده می شود (تنظیم دقیق). شما به چند نمونه از آنچه باید طبقه بندی شود نیاز دارید و آخرین لایه بعد از آموزش مدل تصمیم می گیرد که آیا “درست” یا “نادرست” است. این بدان معناست که فقط روی چند پارامتر آموزش می‌دهد، نه همه 23 میلیون.
منبع باز از کجا وارد می شود؟ تعدادی از پیاده سازی های یادگیری انتقال منبع باز وجود دارد که در اینجا برخی از رایج ترین آنها وجود دارد:
در این پست، بررسی خواهیم کرد که چگونه این دو مفهوم انقلابی در رویکرد برنامه های کاربردی دنیای واقعی ایجاد می کنند. ما به مثال‌هایی نگاه خواهیم کرد که چگونه منبع باز می‌تواند به ایجاد راه‌حل‌های مؤثر کمک کند، در حالی که استفاده از یادگیری انتقال، تفسیر و دقت داده‌ها را بهینه می‌کند. ما همچنین به مفاهیم اصلی خواهیم پرداخت تا نحوه به کارگیری آنها را بهتر درک کنیم.
