نقل التعلم
في الحياة، غالبا ما يكون من الأسهل تعلم مهارة جديدة إذا كان لديك بالفعل خبرة في مهارة مماثلة وقابلة للنقل. على سبيل المثال، من الأسهل على الأرجح تعليم شخص ما كيفية قيادة حافلة إذا كان قد تعلم بالفعل كيفية قيادة سيارة. يمكن للسائق البناء على مهارات القيادة التي تعلمها بالفعل في سيارة، وتطبيقها على قيادة الحافلة.
يمكن تطبيق نفس المبدأ على تدريب نماذج التعلم العميق من خلال تقنية تسمى نقل التعلم.
كيفية عمل نقل التعلم
تتكون الشبكة العصبية الالتفافية (CNN) لتصنيف الصور عادة من طبقات متعددة تستخرج الميزات، ثم تستخدم طبقة نهائية متصلة بالكامل لتصنيف الصور استنادا إلى هذه الميزات.
من الناحية المفاهيمية، تتكون هذه الشبكة العصبية من مجموعتين متميزتين من الطبقات:
- مجموعة من الطبقات من النموذج الأساسي الذي يقوم باستخراج ميزة .
- طبقة متصلة بالكامل تأخذ الميزات المستخرجة وتستخدمها للتنبؤ الفئة.
تطبق طبقات استخراج الميزة عوامل تصفية التفافية وتجميع لإبراز الحواف والزوايا والأنماط الأخرى في الصور التي يمكن استخدامها لتمييزها، ومن الناحية النظرية يجب أن تعمل لأي مجموعة من الصور بنفس أبعاد طبقة الإدخال للشبكة. تقوم طبقة التنبؤ بتعيين الميزات إلى مجموعة من المخرجات التي تمثل احتمالات لكل تسمية فئة تريد استخدامها لتصنيف الصور.
من خلال فصل الشبكة إلى هذه الأنواع من الطبقات، يمكننا أخذ طبقات استخراج الميزات من نموذج تم تدريبه بالفعل وإلحاق طبقة واحدة أو أكثر لاستخدام الميزات المستخرجة للتنبؤ بتسميات الفئة المناسبة للصور الخاصة بك. يمكنك هذا الأسلوب من الاحتفاظ بالوزن المدرب مسبقا لطبقات استخراج الميزات، ما يعني أنك تحتاج فقط إلى تدريب طبقات التنبؤ التي أضفتها.
هناك العديد من بنيات الشبكة العصبية الالتفافية الراسخة لتصنيف الصور التي يمكنك استخدامها كنموذج أساسي لنقل التعلم، حتى تتمكن من البناء على العمل الذي قام به شخص آخر بالفعل لإنشاء نموذج تصنيف صور فعال بسهولة.