تميز لنقل التعلم
توفر هذه المقالة مثالا على القيام بالتميز لنقل التعلم باستخدام Pandas UDFs.
تميز لنقل التعلم في نماذج DL
يدعم Azure Databricks التمييز مع نماذج التعلم العميق. يمكن استخدام نماذج التعلم العميق المدربة مسبقا لحساب الميزات لاستخدامها في نماذج انتقال البيانات من الخادم الأخرى. يدعم Azure Databricks التمييز على نطاق واسع، وتوزيع الحساب عبر نظام مجموعة. يمكنك إجراء ميزات مع مكتبات التعلم العميق المضمنة في Databricks Runtime ML، بما في ذلك TensorFlow وPyTorch.
يدعم Azure Databricks أيضا نقل التعلم، وهو أسلوب يرتبط ارتباطا وثيقا بالتميز. يتيح لك نقل التعلم إعادة استخدام المعرفة من مجال مشكلة واحد في مجال ذي صلة. يعد التمييز في حد ذاته طريقة بسيطة وقوية لنقل التعلم: تعمل ميزات الحوسبة باستخدام نموذج تعلم عميق مدرب مسبقا على نقل المعرفة حول الميزات الجيدة من المجال الأصلي.
خطوات حساب الميزات لنقل التعلم
توضح هذه المقالة كيفية حساب ميزات نقل التعلم باستخدام نموذج TensorFlow مدرب مسبقا، باستخدام سير العمل التالي:
- ابدأ بنموذج تعلم عميق مدرب مسبقا، وفي هذه الحالة نموذج تصنيف صور من
tensorflow.keras.applications. - اقتطاع الطبقة (الطبقات) الأخيرة من النموذج. ينتج النموذج المعدل عشرات من الميزات كإخراج، بدلا من التنبؤ.
- تطبيق هذا النموذج على مجموعة بيانات صورة جديدة من مجال مشكلة مختلف، وميزات الحوسبة للصور.
- استخدم هذه الميزات لتدريب نموذج جديد. يحذف دفتر الملاحظات التالي هذه الخطوة الأخيرة. للحصول على أمثلة لتدريب نموذج بسيط مثل الانحدار اللوجستي، راجع أمثلة تدريب النموذج.
مثال: استخدام Pandas UDFs للتميز
يستخدم دفتر الملاحظات التالي pandas UDFs لتنفيذ خطوة التمييز. Pandas UDFs، ومتغيرها الأحدث Scalar Iterator pandas UDFs، تقدم واجهات برمجة تطبيقات مرنة، وتدعم أي مكتبة تعلم عميق، وتعطي أداء عاليا.