ڈیفینیشن
فائن ٹیوننگ چھوٹے، ڈومین کے مخصوص ڈیٹا سیٹس پر اضافی تربیت کا استعمال کرتے ہوئے پہلے سے تربیت یافتہ مشین لرننگ ماڈل کو نئے کام میں ڈھالنے کا عمل ہے۔
مقصد
اس کا مقصد بڑے ماڈلز سے علم کو دوبارہ استعمال کرنا اور کم وسائل کے ساتھ خصوصی کاموں پر کارکردگی کو بہتر بنانا ہے۔
اہمیت
- شروع سے ماڈل بنانے کے مقابلے میں تربیت کی لاگت اور وقت کو کم کرتا ہے۔
- ڈومین کے مخصوص کاموں پر کارکردگی کو بہتر بناتا ہے۔
- اگر تربیت کا ڈیٹا بہت تنگ ہے تو زیادہ فٹ ہونے کے خطرات۔
- منتقلی سیکھنے سے متعلق۔
یہ کیسے کام کرتا
- پہلے سے تربیت یافتہ بیس ماڈل منتخب کریں۔
- کام کے لیے مخصوص تہوں کو تبدیل یا ایڈجسٹ کریں۔
- نئے ڈومین سے لیبل والے ڈیٹا کے ساتھ ٹرین کریں۔
- پرانے اور نئے علم کو متوازن کرنے کے لیے سیکھنے کی شرح کو ایڈجسٹ کریں۔
- توثیق کریں اور عام کرنے کی جانچ کریں۔
مثالیں (حقیقی دنیا)
- جذبات کے تجزیہ کے لیے BERT کو ٹھیک بنایا گیا ہے۔
- جی پی ٹی ماڈلز کسٹمر سپورٹ چیٹ بوٹس کے لیے ٹھیک ہیں۔
- طبی امیجنگ کی درجہ بندی کے لیے وژن کے ماڈلز ٹھیک ہیں۔
حوالہ جات / مزید پڑھنا
- ہاورڈ اینڈ روڈر۔ "یونیورسل لینگویج ماڈل فائن ٹیوننگ" (ULMFiT)۔ ACL 2018۔
- گلے لگانا چہرہ ٹرانسفارمرز دستاویزات۔
- پین اور یانگ۔ "ٹرانسفر لرننگ پر ایک سروے۔" IEEE TKDE۔
- بڑی زبان کے ماڈلز کے لیے فائن ٹیوننگ کیا ہے؟ - شیپ
