Model ince ayar yapma kavramları

İnce ayar, önceden eğitilmiş yapay zeka modellerini belirli verileriniz ve kullanım örneklerinizle daha iyi çalışacak şekilde uyarlamanıza yardımcı olur. Bu teknik, sıfırdan model oluşturmaya kıyasla daha az eğitim verisi gerektirirken model performansını geliştirebilir.

Bu makalede aşağıdakiler ele alınmaktadır:

  • İnce ayarlama nedir ve nasıl çalışır?
  • İnce ayarlama ve diğer yaklaşımlar ne zaman kullanılır?
  • Modelleri ince ayar için seçme ve hazırlama
  • Sonuçlarınızı yinelemek ve iyileştirmek için en iyi yöntemler

Önkoşullar

Başlamadan önce şunları yapmalısınız:

  • Makine öğrenmesi kavramları hakkında temel bilgiler
  • Özel kullanım örneğinize ve veri gereksinimlerinize aşina olma
  • Eğitim ve doğrulama için örnek verilere erişim

İnce ayar nedir?

hassas ayarlama, önceden eğitilmiş bir modeli belirli bir görevinizde daha iyi performans sergileyebilecek şekilde uyarlayan bir makine öğrenmesi tekniğidir. Modeli sıfırdan eğitmek yerine, genel desenleri zaten anlayan ve verilerinizle çalışacak şekilde ayarlayan bir modelle başlarsınız.

Bu yaklaşım, ilgili bir görevde performansı geliştirmek için bir görevden elde edilen bilgileri kullanarak öğrenme aktarımından yararlanır. Hassas ayarlama, özellikle sınırlı eğitim verileriniz olduğunda veya mevcut model özelliklerini temel almak istediğinizde etkilidir.

Ne zaman ince ayar yapılır?

Küçük miktarda veriniz olduğunda ve modelinizin performansını geliştirmek istediğinizde ince ayar iyi sonuç vermektedir. Önceden eğitilmiş bir modelle başlayarak modelin önceden öğrendiği bilgileri kullanabilir ve verilerinize daha uygun olacak şekilde ayarlayabilirsiniz. Bu yaklaşım, modelinizin performansını geliştirmenize yardımcı olur ve eğitim için gereken veri miktarını azaltır.

Büyük miktarda veriniz olduğunda genellikle modelinize ince ayar yapmanız gerekmez. Modelinizi sıfırdan eğitebilir ve ince ayar yapmadan iyi sonuçlar alabilirsiniz. Bununla birlikte, modelinizin performansını artırmak istiyorsanız ince ayarlamalar yine de yardımcı olabilir. Önceden eğitilen modelin ilk eğitildiği görevden farklı belirli bir göreviniz varsa modelinize ince ayar yapmak da isteyebilirsiniz.

İstem mühendisliğini veya istem zincirlemesi kullanarak yüksek maliyetli ince ayarlamalardan kaçınabilirsiniz. Bu teknikler, ince ayar yapmadan yüksek kaliteli metinler oluşturmanıza yardımcı olur.

Önceden eğitilmiş bir model seçin

Görev gereksinimlerinize uygun önceden eğitilmiş bir model seçin. Her birinin farklı görevlerde eğitilmiş olduğu birçok önceden eğitilmiş model mevcuttur. Sizinkine benzer bir görevde eğitilmiş bir model seçin. Bu seçim, modelin önceden öğrendiği bilgileri kullanmanıza ve verilerinize uyacak şekilde ayarlamanıza yardımcı olur.

Hugging Face modelleri, önceden eğitilmiş modeller ararken başlamak için iyi bir yerdir. Modeller Hugging Face , eğitildikleri göreve göre kategoriler halinde gruplandırılır ve bu sayede göreviniz için uygun bir model bulmanızı kolaylaştırır.

Bu kategoriler şunlardır:

  • Çok modlu
  • Görüntü işleme
  • Doğal dil işleme
  • Ses
  • Tablolar
  • Pekiştirici öğrenme

Modelin ortamınızla ve araçlarınızla çalışıp çalışmadığını denetleyin. Örneğin, Visual Studio Code (VS Code) kullanıyorsanız, modelinize ince ayar yapmak için Azure Machine Learning eklentisini VS Code ile kullanabilirsiniz.

Modelin durumunu ve lisansını denetleyin. Bazı önceden eğitilmiş modeller açık kaynak lisansı altında sunulurken, bazıları ticari veya kişisel lisans gerektirir. Hugging Face üzerindeki tüm modeller lisans bilgilerini içerir. Modeli hassas ayarlamadan önce kullanmak için gerekli izinlere sahip olduğunuzdan emin olun.

Örnek verilerinizi hazırlama

Örnek verilerinizin hazırlanması, verilerinizin eğitime uygun hale getirmek için temizlenmesini ve önceden işlenmesini içerir. Ayrıca modelinizin performansını değerlendirmek için verilerinizi eğitim ve doğrulama kümelerine bölmeniz gerekir. Verilerinizin biçimi, kullandığınız önceden eğitilmiş model tarafından beklenen biçimle eşleşmelidir. Bu bilgileri model kartının Hugging Face bölümünde modellerle birlikte bulabilirsiniz. Çoğu model kartında, model için istem oluşturmaya yönelik bir şablon ve başlamanıza yardımcı olacak bazı sahte kodlar bulunur.

Modelinizi yineleyin

Modelinize ince ayar yaptıktan sonra doğrulama kümesindeki performansını değerlendirin. Modelinizin performansını değerlendirmek için doğruluk, duyarlık, yakalama ve F1 puanı gibi ölçümleri kullanın. Modelinizin performansı tatmin edici değilse hiper parametreleri ayarlayın, mimariyi değiştirin veya daha fazla veride modelde ince ayar yapın. Ayrıca, çözülmesi gereken sorunlar olup olmadığını görmek için verilerinizin kalitesini ve çeşitliliğini inceleyebilirsiniz. Genel bir kural olarak, daha küçük bir yüksek kaliteli veri kümesi, daha büyük bir düşük kaliteli veri kümesinden daha değerlidir.

Ayrıca bkz.

Yapay zeka modellerinde ince ayarlama hakkında daha fazla bilgi edinmek için aşağıdaki kaynaklara göz atın:

Yapay zeka özelliklerini kullanırken şunları gözden geçirin: Windows üzerinde Sorumlu Üretken Yapay Zeka Uygulamalarını ve Özelliklerini Geliştirme.

İlgili içerik

  • Last updated on