نجاح النموذج في مهمة أخرى يحتاج فحصا مستقلا؛ لا تكفي نتيجة مهمة سابقة. قد تكون مخرجات النموذج خاصة بفئات تعلمها، حتى إذا أمكن الاستفادة من بعض تمثيلاته في مهمة جديدة. ويوضح دليل TensorFlow هذا الفرق عند تخصيص نموذج صور مدرب مسبقا. [1]
الخلاصة السريعة
قارن السؤال والمخرجات والبيانات الجديدة بما تعلمه النموذج، ثم اختبر ملاءمته للمهمة المطلوبة بدلا من نقل النتيجة القديمة إليها.
- الفئات الأصلية تحدد معنى مخرج المصنف؛ تشابه نوع الملف لا يجعله جاهزا لسؤال مختلف. [1]
- تغيير المهمة يختلف عن تغيير ظروفها؛ افحص النوعين دون نقل نسبة نجاح سابقة.
- قد تنجح قواعد مختصرة في اختبار مألوف وتفشل تحت ظروف اختبار أصعب. [2]
- يمكن إعادة استخدام تمثيلات بالتخصيص والتقييم؛ ذلك لا يثبت جاهزية النموذج الأصلي لكل مهمة. [1]
ما الذي تغير عندما تغير السؤال؟
يوضح دليل TensorFlow أن الجزء النهائي لمصنف الصور خاص بمجموعة الفئات التي تدرب عليها. وقد تستخدم تمثيلات متعلمة مع مصنف جديد لمهمة أخرى. [1]
لنفترض نموذجا افتراضيا يميز حافلة من شاحنة. إذا سألته هل المركبة مخدوشة أم سليمة، فقد غيرت الهدف والفئات. الملف ما زال صورة، لكن جواب «حافلة» لا يجيب عن الخدوش. اكتب السؤال الجديد ومعنى الناتج المطلوب قبل الحديث عن الاستفادة من النموذج السابق.
هل تغيير الظروف هو تغيير المهمة؟
قد نحتفظ بسؤال الحافلة والشاحنة، لكن نستخدم صورا ليلية بعد صور نهارية. هنا بقي معنى الفئات، بينما تغيرت ظروف المدخلات. أما فحص الخدوش فهو سؤال مختلف حتى لو بقيت الصور النهارية نفسها. افصل نوعي التغيير في بطاقة المراجعة.
في المثال، اكتب صفا لاسم المهمة وصفا لظروف الصور. لا تستعمل نتيجة التصنيف النهاري دليلا نهائيا على الصور الليلية أو على فحص التلف. هذه أمثلة تشرح نطاق الدليل، ولا تزعم أن نموذجا حقيقيا اختُبر وفشل في أي من الحالتين.
لماذا قد يخدعنا نجاح اختبار مألوف؟
تصف ورقة Geirhos وزملائه التعلم المختصر بقواعد قد تعمل جيدا في اختبارات معيارية ثم لا تنتقل إلى ظروف أصعب. تناقش الورقة حدودا في الشبكات العميقة، ولا تمنح حكما بأن كل نموذج يعتمد اختصارا بعينه. [2]
في سيناريو افتراضي، قد تظهر الشاحنات دائما على خلفية داكنة والحافلات على خلفية فاتحة. نجاح التصنيف وحده لا يبين ما إذا اعتمد النموذج شكل المركبة أم الخلفية. افحص حالات تساعد على فصل هذين التفسيرين قبل الادعاء بأنه فهم سمة معينة.
كيف نستفيد من نموذج سابق دون المبالغة؟
يعرض دليل TensorFlow الاستفادة من ميزات شبكة سابقة مع تدريب مصنف جديد، ثم تقييم الحل المخصص. إعادة الاستخدام فرصة لتقليل البدء من الصفر، وليست تعهدا بأن الناتج السابق يفي بالهدف الجديد. [1]
ابدأ بتوثيق المهمة السابقة والمهمة الحالية والفئات التي تحتاجها. ثم حدد البيانات والأمثلة التي ستقيم عليها الملاءمة، واحتفظ بحدود الاستخدام المعروفة. إذا لم تنفذ تخصيصا أو تقييما، فاكتب «نموذج مرشح للفحص» بدلا من «حل مثبت». لا تتضمن هذه المقالة تجربة نقل تعلم أو نسبة أداء على المركبات.
المصادر ومتابعة القراءة
- TensorFlow: نقل التعلم والضبط الدقيق (يفتح في نافذة جديدة)tensorflow.org
- Geirhos et al.: Shortcut Learning in Deep Neural Networks (يفتح في نافذة جديدة)arxiv.org
أُعدّ هذا المقال بصياغة عربية أصلية بالاستناد إلى المصادر أعلاه، وهو مدخل تمهيدي إلى الموضوع. اقرأ منهجية المحتوى وحدوده.