التحديد الكمي للنموذج

تكميم النموذج هو تقنية تحسين حاسمة تُستخدم في التعلم الآلي لتقليل التكاليف الحسابية وتكاليف الذاكرة لنشر نماذج الذكاء الاصطناعي. وهي تعمل عن طريق تحويل أوزان وتفعيلات الشبكة العصبية من أرقام عائمة عالية الدقة (مثل الأعداد العائمة 32 بت) إلى تنسيقات أقل دقة، مثل الأعداد الصحيحة 8 بت. تقلل هذه العملية بشكل كبير من حجم النموذج وتسرع من سرعة الاستدلال، مما يجعلها مثالية للنشر على الأجهزة محدودة الموارد.

فهم التكمية الكمية النموذجية

الفكرة الأساسية وراء تكميم النموذج هي تمثيل القيم العددية في النموذج بعدد أقل من البتات. يتم تدريب معظم نماذج التعلّم العميق وتشغيلها باستخدام أرقام الفاصلة العائمة، والتي توفر دقة عالية ولكنها تتطلب قوة حسابية وذاكرة كبيرة. يقلل التحويل الكمي من هذا الطلب عن طريق تعيين النطاق المستمر لقيم الفاصلة العائمة إلى مجموعة أصغر من القيم الصحيحة المنفصلة. ويمكن تشبيه ذلك بتقليل لوحة الألوان في الصورة؛ فبينما قد يتم فقدان بعض التفاصيل، تبقى المعلومات الأساسية باقية، ويصبح حجم الملف أصغر بكثير.

هناك عدة تقنيات لتكميم النموذج. يتم تطبيق التكميم الكمي بعد التدريب بعد تدريب النموذج بالكامل، حيث يتم تحويل أوزانه وتفعيلاته إلى دقة أقل دون مزيد من التدريب. هذه طريقة مباشرة ولكنها قد تؤدي أحيانًا إلى انخفاض طفيف في الدقة. من ناحية أخرى، يدمج التدريب المدرك للتحويل الكمي (QAT) عملية التحويل الكمي في مرحلة التدريب نفسها. وهذا يسمح للنموذج بالتعلم والتكيف مع قيود الدقة المنخفضة، مما يؤدي في كثير من الأحيان إلى دقة أفضل مقارنةً بالتدريب الكمي بعد التدريب. يمكن أيضًا استخدام تقنيات مثل التدريب المختلط الدقة لتحقيق التوازن بين الدقة والكفاءة أثناء عملية التدريب.

فوائد التكميم الكمي للنموذج

يوفر التكميم الكمي للنموذج العديد من المزايا الرئيسية، خاصةً لنشر نماذج الذكاء الاصطناعي في تطبيقات العالم الحقيقي:

• تقليل حجم النموذج: يقلل التكميم بشكل كبير من حجم ملف النموذج. على سبيل المثال، يمكن أن يؤدي تحويل نموذج من 32 بت عائم إلى 8 بت أعداد صحيحة إلى تقليص حجم النموذج بما يصل إلى أربعة أضعاف. هذا مفيد بشكل خاص لنشر النموذج على أجهزة ذات سعة تخزين محدودة، مثل الهواتف المحمولة أو الأجهزة المتطورة.
• سرعة استدلال أسرع: تكون العمليات الحسابية ذات الدقة المنخفضة أسرع بكثير، خاصةً على الأجهزة المحسّنة لحساب الأعداد الصحيحة. ويؤدي ذلك إلى تقليل زمن الوصول إلى الاستدلال وتحسين الأداء في الوقت الحقيقي، وهو أمر بالغ الأهمية لتطبيقات مثل الكشف عن الأجسام في الوقت الحقيقي باستخدام نماذج Ultralytics YOLO .
• تكلفة حسابية أقل: يتطلب إجراء العمليات الحسابية بدقة أقل طاقة وطاقة حاسوبية أقل. وهذا أمر حيوي للأجهزة التي تعمل بالبطارية ويقلل من الموارد الحسابية الإجمالية اللازمة لتطبيقات الذكاء الاصطناعي.
• زيادة كفاءة الطاقة: تُترجم المتطلبات الحسابية المنخفضة إلى استهلاك أقل للطاقة، مما يجعل النماذج الكمية أكثر كفاءة في استخدام الطاقة. وهذا مهم بشكل خاص للأنظمة المحمولة والمضمنة.

التطبيقات الواقعية

يعد تكميم النماذج أمرًا ضروريًا لنشر نماذج الذكاء الاصطناعي في مجموعة واسعة من التطبيقات، لا سيما عندما تكون الموارد محدودة أو السرعة أمرًا بالغ الأهمية. فيما يلي بعض الأمثلة:

1. الأجهزة المحمولة: غالباً ما تستخدم الهواتف الذكية النماذج الكمية لميزات الذكاء الاصطناعي على الجهاز مثل التعرف على الصور ومعالجة اللغة الطبيعية. ويسمح التكميم الكمي بتشغيل هذه النماذج المعقدة بكفاءة على وحدات معالجة الرسومات على الأجهزة المحمولة أو الأجهزة المتخصصة مثل وحدات معالجة الرسومات Edge TPU الموجودة في أجهزة مثل Raspberry Pi، دون استنزاف عمر البطارية أو التسبب في مشاكل في الأداء. على سبيل المثال، فإن تشغيل نموذج Ultralytics YOLO على تطبيق Android أو iOS يستفيد بشكل كبير من التكميم للكشف عن الكائنات في الوقت الفعلي.
2. حوسبة الحافة وأجهزة إنترنت الأشياء: في سيناريوهات مثل المدن الذكية أو الأتمتة الصناعية، يتم نشر نماذج الذكاء الاصطناعي على العديد من الأجهزة الطرفية لمعالجة البيانات في الوقت الفعلي. يعد تحديد الكمية أمرًا حيويًا هنا لتمكين عرض النماذج بكفاءة على هذه الأجهزة، والتي غالبًا ما تكون لديها طاقة معالجة وذاكرة محدودة. ضع في اعتبارك كاميرا ذكية تستخدم Ultralytics YOLO لأنظمة الإنذار الأمني؛ يضمن التكميم الكمي الكشف والاستجابة في الوقت المناسب مع تقليل متطلبات الأجهزة.

التقليم الكمي مقابل تشذيب النموذج

في حين أن كلاً من تكميم النماذج وتشذيب النماذج هما تقنيتان لتحسين النماذج تهدفان إلى تقليل حجم النموذج وتحسين الكفاءة، إلا أنهما تعملان بشكل مختلف. يقلل التكميم من دقة التمثيلات العددية، بينما يقلل التقليم من عدد المعلمات في النموذج عن طريق إزالة الوصلات أو الخلايا العصبية الأقل أهمية. يمكن استخدام كلتا التقنيتين بشكل مستقل أو مجتمعتين لتحقيق الأداء والحجم الأمثل للنموذج. أدوات مثل TensorRT و OpenVINO غالبًا ما تدمج التكميم والتشذيب كجزء من خطوط أنابيب التحسين الخاصة بها.

باختصار، يُعد التكميم الكمي للنموذج تقنية قوية تجعل الذكاء الاصطناعي أكثر سهولة وقابلية للنشر عبر مجموعة واسعة من الأجهزة والتطبيقات من خلال تحسين الكفاءة دون خسارة كبيرة في الدقة.