التقليم

أهمية التقليم

مع ازدياد حجم نماذج التعلم العميق (DL) لمعالجة المهام المعقدة، فإنها تتطلب موارد حاسوبية كبيرة. يعالج التقليم هذا التحدي من خلال جعل النماذج أخف وزنًا. يقلل هذا التحسين من متطلبات التخزين، ويقلل من استهلاك الطاقة، ويقلل من زمن الاستجابة للاستدلال، وهو أمر حيوي لسيناريوهات الاستدلال في الوقت الحقيقي. يعد التقليم مفيدًا بشكل خاص لنشر النماذج في بيئات مثل الأجهزة المحمولة والأنظمة المدمجة وتطبيقات الذكاء الاصطناعي الحافة حيث تكون الكفاءة أمرًا بالغ الأهمية.

تطبيقات التقليم

يتم تطبيق تقنيات التقليم على نطاق واسع في مختلف مجالات الذكاء الاصطناعي. فيما يلي مثالان ملموسان:

1. الرؤية الحاسوبية المتنقلة: Ultralytics YOLO التي تُستخدم غالبًا لاكتشاف الأجسام على الهواتف الذكية، يمكن تشذيبها لتعمل بكفاءة دون استنزاف البطارية أو تتطلب ذاكرة زائدة. يتيح ذلك تطبيقات في الوقت الحقيقي مثل الواقع المعزز المتنقل أو تحليل الصور على الجهاز. يمكن أن يؤدي نشر نموذج مقلّم على أجهزة مثل Raspberry Pi المجهزة TPU من Google Edge إلى تسريع الأداء بشكل كبير، كما هو موضح في أدلة مثل البرنامج التعليمي Edge TPU على Raspberry Pi.
2. أنظمة القيادة الذاتية: تعتمد السيارات ذاتية القيادة على نماذج معقدة لمهام مثل اكتشاف المشاة والمركبات الأخرى. ويؤدي تشذيب هذه النماذج إلى تقليل الوقت اللازم لاتخاذ القرارات الحاسمة، مما يعزز السلامة والاستجابة. يمكن زيادة تسريع النماذج المُحسَّنة باستخدام أدوات مثل NVIDIA TensorRT لنشرها على وحدات معالجة الرسومات الموجودة عادةً في المركبات ذاتية القيادة.

الأنواع والتقنيات

يمكن أن تختلف طرق التقليم، ولكنها تندرج بشكل عام ضمن هذه الفئات:

• تشذيب غير منظم: يزيل الأوزان الفردية بناءً على الحجم أو الأهمية، مما يؤدي إلى نماذج متناثرة قد تتطلب أجهزة أو برامج متخصصة مثل برنامج DeepSparse منNeural Magic للتنفيذ الفعال. تقدم Ultralytics أدلة تكامل لأدوات مثل Neural Magic.
• التقليم الهيكلي: يزيل هياكل كاملة مثل الفلاتر أو القنوات أو الطبقات. ينتج عن ذلك نماذج أصغر وكثيفة يسهل نشرها عادةً على الأجهزة القياسية. يمكن العثور على مزيد من التفاصيل حول الأساليب المنظمة في أبحاث مثل عملNVIDIA على التشتت المنظم.

يمكن تطبيق التقليم في مراحل مختلفة: قبل التدريب (تحديد البنية)، أو أثناء التدريب، أو بعد التدريب (ضبط النموذج المُدرَّب مسبقًا). منصات مثل PyTorch أدوات مساعدة لتسهيل تقنيات التقليم المختلفة.

التقليم مقابل تقنيات التحسين الأخرى

التقليم هو أحد استراتيجيات تحسين النماذج المتعددة. من المهم تمييزها عن المفاهيم ذات الصلة:

• تكميم النموذج: يقلل من الدقة العددية لأوزان النموذج (على سبيل المثال، من 32 بت عائم إلى 8 بت أعداد صحيحة)، مما يقلل من الحجم ويسرّع الحساب دون إزالة المعلمات.
• تقطير المعرفة: يدرب نموذج "طالب" أصغر حجمًا لتكرار مخرجات نموذج "معلم" أكبر تم تدريبه مسبقًا.

هذه التقنيات ليست متعارضة وغالبًا ما يتم الجمع بينها وبين التقليم لتحقيق أقصى قدر من الكفاءة. للحصول على نظرة عامة أوسع، راجع هذا الدليل لتحسين النماذج. غالبًا ما يمكن تصدير النماذج المحسّنة من خلال التقليم إلى صيغ قياسية مثل ONNX لتوافق النشر على نطاق أوسع.

باختصار، يُعد التقليم أسلوبًا قيّمًا لإنشاء نماذج ذكاء اصطناعي فعّالة ومناسبة لاحتياجات النشر المتنوعة، مما يساهم بشكل كبير في التطبيق العملي للرؤية الحاسوبية وغيرها من مهام تعلّم الآلة. وغالباً ما تتضمن الأدوات والمنصات مثل Ultralytics HUB أساليب التحسين هذه أو تسهلها.