تحسين نماذج التعلم الآلي باستخدام تشذيب النماذج. تحقيق استدلال أسرع، وتقليل استخدام الذاكرة، وكفاءة الطاقة لعمليات النشر المحدودة الموارد.
يعد تشذيب النماذج تقنية مهمة في التعلم الآلي تركز على تحسين النماذج المدربة. وهي تعمل على تبسيط النماذج عن طريق تقليل تعقيدها وحجمها، وهو ما يتحقق عن طريق إزالة المعلمات الأقل أهمية - مثل الأوزان والوصلات - من الشبكة العصبية. تجعل هذه العملية النماذج أكثر كفاءة دون التضحية بالأداء بشكل كبير، مما يؤدي إلى فوائد مثل المعالجة الأسرع، واستخدام أقل للذاكرة، وانخفاض استهلاك الطاقة، وهو أمر مفيد بشكل خاص للنشر في البيئات ذات الموارد المحدودة.
هناك عدة أسباب مقنعة لاستخدام تشذيب النماذج. أولاً، إنه يقلل بشكل كبير من حجم نماذج التعلم الآلي، مما يسهل نشرها على الأجهزة ذات التخزين المحدود، مثل الهواتف المحمولة أو الأنظمة المتطورة. تؤدي النماذج الأصغر حجمًا أيضًا إلى سرعات استنتاج أسرع، حيث إن هناك عددًا أقل من العمليات الحسابية المطلوبة لتوليد التنبؤات. يعد تحسين السرعة هذا أمرًا حيويًا لتطبيقات الوقت الحقيقي مثل اكتشاف الأجسام في المركبات ذاتية القيادة أو لتحليل الفيديو المباشر. وعلاوة على ذلك، تستهلك النماذج المشذبة طاقة أقل، وهي ميزة حاسمة للأجهزة التي تعمل بالبطاريات ومراكز البيانات واسعة النطاق التي تهدف إلى ممارسات الذكاء الاصطناعي المستدامة.
يمكن تصنيف تشذيب النماذج بشكل عام إلى نوعين رئيسيين:
في حين أن تشذيب النموذج يقلل من حجم النموذج عن طريق إزالة المعلمات، فإن تقنيات أخرى مثل التكميم الكمي للن موذج والتقطير المعرفي تقدم استراتيجيات تحسين بديلة. يقلل التكميم الكمي من دقة الأوزان (على سبيل المثال، من 32 بت نقطة عائمة إلى 8 بت عدد صحيح)، مما يقلل أيضًا من حجم النموذج ويسرّع الحساب دون تغيير بنية النموذج. يعمل التقطير المعرفي على تدريب نموذج "طالب" أصغر لمحاكاة سلوك نموذج "معلم" أكبر وأكثر تعقيدًا. غالبًا ما تُستخدم هذه التقنيات جنبًا إلى جنب مع التقليم لتحقيق مكاسب أكبر في الكفاءة. على سبيل المثال، يمكن تشذيب النموذج أولاً لتقليل حجمه ثم تكميمه لتحسين أدائه من أجل النشر.
يُطبَّق تشذيب النماذج على نطاق واسع في مجالات مختلفة، خاصةً عندما تكون الموارد الحاسوبية محدودة أو عندما تكون الكفاءة أمرًا بالغ الأهمية. تتضمن بعض التطبيقات الرئيسية ما يلي:
يعد تقليم النماذج تقنية تحسين أساسية لنشر نماذج التعلم الآلي الفعالة. ومن خلال تقليل حجم النموذج وتعقيده، فإنه يتيح استنتاجًا أسرع واستخدامًا أقل للذاكرة واستهلاكًا أقل للطاقة. Ultralytics يوفر مجموعة من الأدوات والموارد لمساعدة المستخدمين على تحسين نماذجهم، بما في ذلك تقنيات مثل التقليم لتعزيز التطبيق العملي والكفاءة لتطبيقات الرؤية الحاسوبية الخاصة بهم عبر سيناريوهات النشر المتنوعة.
