تعرّف على كيفية قيام مُحسِّن آدم بتشغيل تدريب الشبكة العصبية الفعال بمعدلات تعلُّم تكيُّفية وزخم وتطبيقات واقعية في مجال الذكاء الاصطناعي.
في مجال التعلم الآلي، يعتبر مُحسِّن آدم خوارزمية تحسين شائعة تُستخدم لتحديث weights and biases الشبكة العصبية أثناء التدريب. وهو يجمع بين مزايا خوارزميتين أخريين للتحسين: خوارزمية التدرج التكيفي (AdaGrad) وخوارزمية التدرج التكيفي (AdaGrad) وانتشار مربع جذر المتوسط المربع (RMSProp). ويُستخدم آدم على نطاق واسع نظرًا لكفاءته وفعاليته في مجموعة واسعة من التطبيقات، بما في ذلك الرؤية الحاسوبية ومعالجة اللغات الطبيعية. وهو مناسب بشكل خاص للمشاكل ذات مجموعات البيانات الكبيرة ومساحات المعلمات عالية الأبعاد.
يتميز مُحسِّن آدم بالعديد من الميزات الرئيسية التي تساهم في زيادة شعبيته:
يقوم مُحسِّن آدم بتحديث معلمات النموذج بشكل تكراري بناءً على العزمين الأول والثاني للتدرجات. العزم الأول هو متوسط التدرجات، والعزم الثاني هو التباين غير المركزي للتدرجات. باستخدام هذه اللحظات، يقوم آدم بتكييف معدل التعلم لكل معلمة أثناء التدريب.
على الرغم من أن آدم خوارزمية تحسين قوية، إلا أنه من الضروري فهم كيفية اختلافها عن غيرها من المُحسِّنات الشائعة:
يُستخدم مُحسِّن آدم في مجموعة متنوعة من التطبيقات الواقعية، بما في ذلك:
في مهام التعرف على الصور، مثل تلك التي تقوم بها الشبكات العصبية التلافيفية (CNNs)، غالبًا ما يُستخدم آدم لتدريب الشبكة. على سبيل المثال، عند تدريب نموذج لتصنيف الصور في مجموعة بيانات ImageNet، يساعد آدم على تحسين ملايين المعلمات في الشبكة بكفاءة. يؤدي ذلك إلى تقارب أسرع ودقة أفضل في تحديد الكائنات داخل الصور.
في مهام معالجة اللغات الطبيعية، مثل تدريب النماذج اللغوية الكبيرة (LLMs) مثل GPT-4، يشيع استخدام آدم. على سبيل المثال، عند تدريب نموذج لتوليد نص شبيه بالنص البشري أو إجراء تحليل للمشاعر، يساعد آدم في ضبط معلمات النموذج لتقليل الفرق بين مخرجات النص المتوقعة والفعلية. ينتج عن ذلك نموذج لغوي أكثر دقة وتماسكاً.
في سياق Ultralytics YOLO ، يلعب مُحسِّن آدم دورًا حاسمًا في تدريب نماذج قوية وفعالة لاكتشاف الأجسام. ومن خلال الاستفادة من معدلات التعلّم التكيّفية والزخم في آدم، يمكن لنماذج Ultralytics YOLO تحقيق تقارب أسرع ودقة أعلى أثناء التدريب. وهذا يجعل آدم خيارًا مثاليًا لتحسين الشبكات العصبية المعقدة المستخدمة في مهام اكتشاف الأجسام في الوقت الفعلي. يمكنك معرفة المزيد حول تدريب النماذج وتحسينها باستخدام Ultralytics HUB في وثائقUltralytics HUB الخاصة بنا. بالإضافة إلى ذلك، يمكنك استكشاف كيفية تحسين أداء نموذج Ultralytics YOLO الخاص بك من خلال الإعدادات الصحيحة والمعلمات الفائقة في دليل الاستخدام الخاص بنا.
بالنسبة للمهتمين بالتعمق في التفاصيل الفنية لمُحسِّن آدم، فإن الورقة البحثية الأصلية"آدم: طريقة للتحسين العشوائي" من تأليف كينجما وبا توفر نقطة انطلاق ممتازة. بالإضافة إلى ذلك، توفر مصادر مثل TensorFlow و PyTorch تقدم توضيحات وأمثلة شاملة لكيفية استخدام آدم في أطر عمل مختلفة للتعلم العميق.