Leggere in inglese

Condividi tramite


Concetti di ottimizzazione dei modelli

La messa a punto è un processo che consiste nel prendere un modello addestrato in precedenza e modificarlo per adattarlo meglio ai tuoi dati. Questo processo consente di sfruttare al meglio i dati e migliorare le prestazioni del modello. In questo articolo imparerai i concetti di base del fine-tuning e quando è opportuno applicarlo a un modello di intelligenza artificiale.

Introduzione

La messa a punto è una tecnica potente che può aiutarti a ottenere di più dai tuoi dati. Per comprendere l'ottimizzazione, è importante comprendere il concetto di apprendimento trasferibile. Il trasferimento dell'apprendimento è una tecnica di apprendimento automatico in cui un modello addestrato su un compito viene riutilizzato su un secondo compito correlato. Questa operazione viene eseguita prendendo un modello pre-addestrato e modificandolo in modo da adattarlo meglio ai nuovi dati. ** La messa a punto è una forma di apprendimento di trasferimento in cui il modello pre-addestrato viene regolato in modo da adattarlo meglio ai nuovi dati.

L'ottimizzazione di un modello comporta diversi passaggi. Prima di tutto, è necessario selezionare un modello preaddestrato adatto per il tuo compito. Successivamente, è necessario preparare i dati di esempio e ottimizzare il modello su questi dati. Infine, è necessario iterare sul modello per migliorarne le prestazioni.

Quando ottimizzare

L'ottimizzazione è adatta per i tempi in cui si dispone di una piccola quantità di dati e si vuole migliorare le prestazioni del modello. A partire da un modello pre-addestrato, è possibile sfruttare le conoscenze già apprese dal modello e modificarle per adattarle meglio ai dati. Ciò consente di migliorare le prestazioni del modello e ridurre la quantità di dati necessari per eseguirne il training.

In genere non è necessario ottimizzare il modello quando si dispone di una grande quantità di dati. In questo caso, è possibile addestrare il modello da zero e ottenere buone prestazioni senza effettuare il fine-tuning. Tuttavia, l'ottimizzazione può comunque essere utile in questo caso se si desidera migliorare ulteriormente le prestazioni del modello. È anche possibile ottimizzare il modello se hai un compito specifico diverso da quello per cui è stato addestrato il modello pre-addestrato.

È possibile evitare l'ottimizzazione costosa di un modello usando l'ingegneria dei prompt o il concatenamento dei prompt. Queste tecniche consentono di generare testo di alta qualità senza la necessità di ottimizzare.

Selezionare un modello pre-addestrato

È consigliabile selezionare un modello con training preliminare adatto ai requisiti dell'attività. Ci sono molti modelli pre-addestrati disponibili che sono stati addestrati su un'ampia gamma di attività. È consigliabile scegliere un modello sottoposto a training su un'attività simile a quella su cui si sta lavorando. In questo modo sarà possibile sfruttare le conoscenze già apprese dal modello e modificarle per adattarli meglio ai dati.

HuggingFace modelli sono un buon punto di partenza quando si cercano modelli pre-addestrati. I modelli HuggingFace sono raggruppati in categorie in base all'attività su cui è stato eseguito il training, semplificando la ricerca di un modello adatto all'attività.

Queste categorie includono:

  • Multimodale
  • Visione artificiale
  • Elaborazione del linguaggio naturale
  • Audio
  • Tabellare
  • Apprendimento per rinforzo

Controllare la compatibilità del modello con l'ambiente e gli strumenti in uso. Ad esempio, se si usa Visual Studio Code, è possibile usare l'estensione Azure Machine Learning per Visual Studio Code per ottimizzare il modello.

Controllare lo stato e la licenza del modello. Alcuni modelli pre-addestrati possono essere disponibili con una licenza open source, mentre altri potrebbero richiedere una licenza commerciale o personale per l'uso. Tutti i modelli in HuggingFace includono informazioni sulla licenza. Assicurarsi di disporre delle autorizzazioni necessarie per usare il modello prima di ottimizzarlo.

Preparare i dati di esempio

La preparazione dei dati di esempio comporta la pulizia e la pre-elaborazione dei dati per renderli utilizzabili nell'addestramento. È anche necessario suddividere i dati in set di training e convalida per valutare le prestazioni del modello. Il formato dei tuoi dati deve corrispondere al formato previsto dal modello pre-addestrato che stai usando. Queste informazioni sono disponibili nei modelli nella sezione formato istruzione della scheda modello. La maggior parte delle schede dei modelli includerà un modello per la compilazione di un prompt per il modello e del codice di esempio per iniziare.

Iterare sul tuo modello

Dopo aver ottimizzato il modello, è necessario valutarne le prestazioni nel set di convalida. È possibile usare metriche come accuratezza, precisione, richiamo e punteggio F1 per valutare le prestazioni del modello. Se le prestazioni del tuo modello non sono soddisfacenti, è possibile iterare sul modello modificando gli iperparametri, cambiando l'architettura o affinando il modello su più dati. È anche possibile esaminare la qualità e la diversità dei dati per verificare se sono presenti problemi da risolvere. Come regola generale, un set più piccolo di dati di alta qualità è più prezioso di un set più ampio di dati di bassa qualità.

Vedere anche

Per altre informazioni sull'ottimizzazione dei modelli di intelligenza artificiale, vedere le risorse seguenti:

Quando si usano le funzionalità di intelligenza artificiale, è consigliabile esaminare: Sviluppo di applicazioni e funzionalità di intelligenza artificiale responsabile in Windows.

Nota: L'autore ha creato questo articolo con l’assistenza dell'intelligenza artificiale. Ulteriori informazioni