يتطلّب تدريب شبكة عصبونية تباينية لتنفيذ مهام تصنيف الصور قدرًا كبيرًا جدًا من بيانات التدريب، ويمكن أن يستغرق إكمالها وقتًا طويلاً، أو يستغرق أيامًا أو حتى أسابيع. ولكن ماذا لو كان بإمكانك
الاستفادة من نماذج الصور الحالية التي تم تدريبها على مجموعات بيانات هائلة، على سبيل المثال عبر
TensorFlow-Slim،
وتعديلها لاستخدامها في مهام تصنيفك الخاصة؟
أحد الأساليب الشائعة للاستفادة من النماذج المدرّبة مسبقًا هو استخراج الميزات:
استرداد التمثيلات المتوسطة التي تم إنتاجها من خلال النموذج المدرّب مسبقًا، ثم
إدخال هذه التمثيلات في نموذج جديد كإدخال. على سبيل المثال، إذا كنت تدرب نموذجًا لتصنيف الصور لتمييز الأنواع المختلفة من الخضروات، يمكنك إطعام صور التدريب على الجزر والكرفس وما إلى ذلك، وذلك في نموذج مُعدّ مسبقًا، ثم استخراج الميزات من طبقتها النهائية، التي تلتقط كل المعلومات التي تعرّف عليها النموذج عن الصور.
لزيادة الأداء عند استخدام استخراج الميزات باستخدام نموذج مدرّب مسبقًا، غالبًا ما يحسّن المهندسون معلمات الوزن التي يتم تطبيقها على الميزات المستخرجة.
للحصول على استكشاف أكثر تفصيلاً لاستخراج الميزات والضبط الدقيق عند استخدام النماذج المدرّبة مسبقًا، راجِع التمارين التالية.
تاريخ التعديل الأخير: 2022-09-27 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2022-09-27 (حسب التوقيت العالمي المتفَّق عليه)"],[[["Pretrained image models can be leveraged to perform image classification tasks, saving time and resources compared to training a new model from scratch."],["Feature extraction involves using the intermediate representations from a pretrained model as input for a new model, enabling the utilization of learned features like color, texture, and shape."],["Fine-tuning the weight parameters of extracted features can further enhance the performance of the new classification model built on top of the pretrained model."]]],[]]
