یادگیری انتقالی، یک مسئله تحقیقاتی در علم یادگیری ماشین است که بر ذخیره دانش به دست آمده در حین حل یک مشکل و به کارگیری آن برای یک مشکل متفاوت اما مرتبط تمرکز دارد. [ ۱] به عنوان مثال، دانش به دست آمده در حین یادگیری تشخیص خودروها می تواند هنگام تلاش برای تشخیص کامیون ها اعمال شود. این حوزه تحقیقاتی تا حدی با تاریخ طولانی ادبیات روان شناختی در مورد انتقال یادگیری ارتباط دارد، اگرچه پیوندهای عملی بین این دو زمینه محدود است. از نظر عملی، استفاده مجدد یا انتقال اطلاعات از وظایفی که قبلاً آموخته شده است در یادگیری وظایف جدید، پتانسیل بهبود قابل توجهی در کارایی نمونه یک عامل یادگیری تقویتی دارد.
برای مثال، در بینایی رایانه ای، شبکه های عصبی معمولاً سعی می کنند لبه ها را در لایه های قبلی، اشکال در لایه میانی و برخی ویژگی های خاص وظیفه را در لایه های بعدی تشخیص دهند. در یادگیری انتقالی از لایه های اولیه و میانی استفاده می شود و فقط لایه های آخر را بازآموزی می کنیم. این کمک می کند تا داده های برچسب گذاری شده مربوط به کاری را که در ابتدا روی آن آموزش داده شده بود، افزایش دهد. [ ۲]
بیایید راجع به مثالی صحبت کنیم که برای تشخیص کوله پشتی روی تصویر آموزش دیده است و این دفعه برای شناسایی عینک آفتابی استفاده می شود. در لایه های قبلی، مدل یادگرفته است اشیا را تشخیص دهد، به همین دلیل ما فقط لایه های آخر را دوباره آموزش می دهیم تا یاد بگیرد که چه چیزی عینک آفتابی را از اشیاء دیگر جدا می کند.
در یادگیری انتقالی، ما سعی می کنیم تا حد امکان دانش را از کار قبلی که مدل آموزش داده شده بود، به کار جدید در دست انتقال دهیم. این دانش بسته به مشکل و داده ها می تواند به اشکال مختلف باشد. برای مثال، می تواند نحوه ترکیب مدل ها باشد که به ما امکان می دهد اشیاء جدید را راحت تر شناسایی کنیم.
یادگیری انتقالی یک بهینه سازی، میانبری برای صرفه جویی در زمان یا به دست آوردن عملکرد بهتر است. به طور کلی، مشخص نیست که استفاده از یادگیری انتقالی در عمل تا زمانی که مدل توسعه یافته و ارزیابی نشده باشد، سودی خواهد داشت. عموماً گفته می شود در مورد یادگیری انتقالی سه مزیت احتمالی را که باید به دنبال آنها بود، اینگونه شرح می دهند:[ ۳]
• شروع بالاتر: مهارت اولیه ( قبل از اصلاح مدل ) در مدل منبع بالاتر از آن است.
• شیب بالاتر: میزان بهبود مهارت در طول آموزش مدل منبع تندتر از آن است که در غیر این صورت بود.
• مجانب بالاتر: مهارت همگرای مدل آموزش دیده بهتر از آن است.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفبرای مثال، در بینایی رایانه ای، شبکه های عصبی معمولاً سعی می کنند لبه ها را در لایه های قبلی، اشکال در لایه میانی و برخی ویژگی های خاص وظیفه را در لایه های بعدی تشخیص دهند. در یادگیری انتقالی از لایه های اولیه و میانی استفاده می شود و فقط لایه های آخر را بازآموزی می کنیم. این کمک می کند تا داده های برچسب گذاری شده مربوط به کاری را که در ابتدا روی آن آموزش داده شده بود، افزایش دهد. [ ۲]
بیایید راجع به مثالی صحبت کنیم که برای تشخیص کوله پشتی روی تصویر آموزش دیده است و این دفعه برای شناسایی عینک آفتابی استفاده می شود. در لایه های قبلی، مدل یادگرفته است اشیا را تشخیص دهد، به همین دلیل ما فقط لایه های آخر را دوباره آموزش می دهیم تا یاد بگیرد که چه چیزی عینک آفتابی را از اشیاء دیگر جدا می کند.
در یادگیری انتقالی، ما سعی می کنیم تا حد امکان دانش را از کار قبلی که مدل آموزش داده شده بود، به کار جدید در دست انتقال دهیم. این دانش بسته به مشکل و داده ها می تواند به اشکال مختلف باشد. برای مثال، می تواند نحوه ترکیب مدل ها باشد که به ما امکان می دهد اشیاء جدید را راحت تر شناسایی کنیم.
یادگیری انتقالی یک بهینه سازی، میانبری برای صرفه جویی در زمان یا به دست آوردن عملکرد بهتر است. به طور کلی، مشخص نیست که استفاده از یادگیری انتقالی در عمل تا زمانی که مدل توسعه یافته و ارزیابی نشده باشد، سودی خواهد داشت. عموماً گفته می شود در مورد یادگیری انتقالی سه مزیت احتمالی را که باید به دنبال آنها بود، اینگونه شرح می دهند:[ ۳]
• شروع بالاتر: مهارت اولیه ( قبل از اصلاح مدل ) در مدل منبع بالاتر از آن است.
• شیب بالاتر: میزان بهبود مهارت در طول آموزش مدل منبع تندتر از آن است که در غیر این صورت بود.
• مجانب بالاتر: مهارت همگرای مدل آموزش دیده بهتر از آن است.
wiki: یادگیری انتقالی