تحتوي نماذج التعلم العميق المتطورة على ملايين المعلمات (الأوزان) ، وغالبًا ما يتطلب تدريبها من نقطة الصفر كميات كبيرة من البيانات وموارد الحوسبة. التعلم عن طريق النقل هو أسلوب يختصر الكثير من هذا عن طريق أخذ قطعة من نموذج تم تدريبه بالفعل على مهمة ذات صلة وإعادة استخدامه في نموذج جديد.
على سبيل المثال ، سيوضح لك البرنامج التعليمي التالي في هذا القسم كيفية إنشاء أداة التعرف على الصور الخاصة بك والتي تستفيد من النموذج الذي تم تدريبه بالفعل للتعرف على آلاف الأنواع المختلفة من الكائنات داخل الصور. يمكنك تكييف المعرفة الموجودة في النموذج المدرب مسبقًا لاكتشاف فئات الصور الخاصة بك باستخدام بيانات تدريب أقل بكثير من النموذج الأصلي المطلوب.
هذا مفيد للتطوير السريع للنماذج الجديدة بالإضافة إلى تخصيص النماذج في البيئات ذات الموارد المحدودة مثل المستعرضات والأجهزة المحمولة.
في أغلب الأحيان عند إجراء التعلم بالنقل ، لا نقوم بتعديل أوزان النموذج الأصلي. بدلاً من ذلك ، نقوم بإزالة الطبقة النهائية وتدريب نموذج جديد (غالبًا ما يكون سطحيًا إلى حد ما) أعلى ناتج النموذج المقتطع. هذه هي التقنية التي ستراها موضحة في الدروس في هذا القسم:
للحصول على مثال إضافي لنقل التعلم باستخدام TensorFlow.js ، راجع استخدام نموذج مدرب مسبقًا .