Fêrbûna Veguheztinê çi ye?

Fêrbûna Veguheztinê çi ye?

Dema ku fêrbûna makîneyê pratîk dike, perwerdekirina modelek dikare demek dirêj bigire. Afirandina mîmariya modelê ji sifirê, perwerdekirina modelê, û dûv re guheztina modelê dem û hewldanek mezin e. Rêbazek pir bikêrtir ji bo perwerdekirina modelek fêrbûna makîneyê ev e ku meriv mîmariyek ku berê hatî destnîşan kirin bikar bîne, bi potansiyel bi giraniyên ku berê hatine hesibandin. Ev fikra sereke li pişt e fêrbûna veguhastinê, modelek ku berê hatî bikar anîn hildide û ji bo karekî nû vedihewîne.

Berî ku em li awayên cihêreng ên ku fêrbûna veguheztinê dikare were bikar anîn, em hinekî bisekinin ku fêm bikin ka çima fêrbûna veguheztinê teknîkek wusa bi hêz û bikêr e.

Çareserkirina Pirsgirêkek Hînbûna Kûr

Dema ku hûn hewl didin ku pirsgirêkek fêrbûna kûr çareser bikin, mîna avakirina dabeşkerek wêneyê, pêdivî ye ku hûn mîmariyek modelê biafirînin û dûv re modelê li ser daneyên xwe perwerde bikin. Perwerdehiya dabeşkerê modelê bi eyarkirina giraniya torê ve girêdayî ye, pêvajoyek ku dikare bi demjimêr an jî rojan bidome, li gorî tevliheviya model û danûstendinê. Dema perwerdehiyê dê li gorî mezinahiya databasê û tevliheviya mîmariya modelê were pîvandin.

Ger model bigihîje celebê rastbûna ku ji bo peywirê hewce dike, îhtîmal e ku pêdivî ye ku modêl biguhezîne û dûv re pêdivî ye ku model ji nû ve were perwerde kirin. Ev tê wateya bêtir demjimêrên perwerdehiyê heya ku mîmariyek çêtirîn, dirêjahiya perwerdehiyê, û dabeşkirina databasê were dîtin. Gava ku hûn dihesibînin ka çend guhêrbar divê bi hev re werin rêz kirin da ku dabeşkerek bikêr be, ev têgihîştî ye ku endezyarên fêrbûna makîneyê her gav li awayên hêsantir, bikêrtir ji bo perwerdekirin û pêkanîna modelan digerin. Ji bo vê yekê, teknîka fêrbûna veguhestinê hate afirandin.

Piştî sêwirandin û ceribandina modelek, heke model bikêrhatî bû, ew dikare ji bo pirsgirêkên wekhev paşê were hilanîn û ji nû ve were bikar anîn.

Cureyên Fêrbûna Veguheztinê

Bi gelemperî, du cûda hene cureyên fêrbûna veguhestinê: Pêşxistina modelek ji nû ve û karanîna modelek pêş-perwerdekirî.

Dema ku hûn modelek ji sifirê pêşdixin, hûn ê hewce bikin ku mîmariyek modelê biafirînin ku bikaribe daneyên perwerdehiya we şîrove bike û ji wê nimûneyan derxîne. Piştî ku modela yekem car tê perwerde kirin, dibe ku hûn ê hewce bikin ku guhartinan li wê bikin da ku hûn performansa çêtirîn ji modelê derxînin. Dûv re hûn dikarin mîmariya modelê hilînin û wê wekî xalek destpêkek ji bo modelek ku dê di karekî wekhev de were bikar anîn bikar bînin.

Di şerta duyemîn de - karanîna modelek pêş-perwerdekirî - hûn tenê neçar in ku modelek pêş-perwerdekirî hilbijêrin ku bikar bînin. Gelek zanîngeh û tîmên lêkolînê dê taybetmendiyên modela xwe ji bo karanîna gelemperî peyda bikin. Mîmariya modelê bi giranan re dikare were dakêşandin.

Dema ku fêrbûna veguheztinê tê meşandin, tevahiya mîmariya modelê û giranî dikare ji bo peywira li ber dest were bikar anîn, an jî tenê hin beş / qatên modelê dikarin werin bikar anîn. Bi karanîna tenê hin modela pêş-perwerdekirî û perwerdekirina modela mayî wekî birêkûpêkkirina baş tê binav kirin.

Sazkirina torê

Sazkirina torgilokek pêvajoya perwerdehiyê tenê hin qatên di torê de vedibêje. Ger databasek perwerdehiya nû pir dişibihe daneheva ku ji bo perwerdekirina modela orjînal tê bikar anîn, gelek heman giranî dikarin werin bikar anîn.

Hejmara qatên di torê de ku divê bêne rakirin û ji nû ve bêne perwerde kirin divê li gorî mezinahiya daneya nû were pîvandin. Ger databasa ku li ser tê perwerde kirin piçûk be, pratîkek çêtir e ku meriv pirraniya qatan wekî wan bigire û tenê çend qatên paşîn perwerde bike. Ev ji bo pêşîlêgirtina zêdekirina torê ye. Wekî din, qatên paşîn ên tora pêş-perwerdekirî dikarin werin rakirin û qatên nû lê têne zêdekirin, ku paşê têne perwerde kirin. Berevajî vê, heke databas danehevek mezin be, potansiyel ji daneya orîjînal mezintir be, divê tevaya torê ji nû ve were perwerde kirin. Ji bo bikaranîna torê wek derhênerek taybetmendiyek sabît, piraniya torê dikare were bikar anîn da ku taybetmendiyan derxîne dema ku tenê qata paşîn a torê dikare were rakirin û perwerdekirin.

Dema ku hûn torgilokek xweş dikin, tenê ji bîr mekin ku qatên berê yên ConvNet-ê ew in ku agahdariya ku taybetmendiyên gelemperî yên wêneyan temsîl dikin hene. Ev taybetmendî wekî reng û reng in. Berevajî vê, qatên paşîn ên ConvNet hûrguliyên ku ji dersên kesane yên ku di nav databasa ku model di destpêkê de li ser hatî perwerde kirin re taybetîtir in digire. Ger hûn modelek li ser danehevek ku ji daneya orîjînal pir cûda ye perwerde dikin, hûn ê belkî bixwazin ku qatên destpêkê yên modelê bikar bînin da ku taybetmendiyan derxînin û tenê modela mayî ji nû ve perwerde bikin.

Mînakên Fêrbûna Veguheztinê

Serîlêdanên herî gelemperî yên fêrbûna veguheztinê belkî ew in ku daneyên wêneyê wekî têketin bikar tînin. Vana bi gelemperî karên pêşbînî / dabeşkirinê ne. Rê Tora Neural a Convolutional şirovekirina daneya wêneyê xwe dide ji nû ve bikaranîna aliyên modelan, ji ber ku qatên hevgirtî bi gelemperî taybetmendiyên pir dişibin hev cihê dikin. Mînakek pirsgirêkek fêrbûna veguheztinê ya hevpar peywira ImageNet 1000 e, danûstendinek girseyî ya tijî 1000 çînên cihêreng ên tiştan e. Pargîdaniyên ku modelên ku performansa bilind li ser vê danûstendinê bi dest dixin pêşde dibin, bi gelemperî modelên xwe di bin lîsansên ku dihêle yên din wan ji nû ve bikar bînin serbest berdin. Hin modelên ku ji vê pêvajoyê derketine jî hene Modela Microsoft ResNet, Modela Destpêka Google, û ya Oxford VGG Model kom.