سرفصل‌ها درس 191 از 246 · ماژول 17: نویز وارد، تصویر خارج (انتشار)
ماژول 17: نویز وارد، تصویر خارج (انتشار)

یاد دادن چیزی تازه به یک مدل آموزش‌دیده (تنظیم دقیق)

چرا مهم است هیچ‌کس یک مدل تصویری بزرگ را برای گرفتن یک سبک تازه از صفر آموزش نمی‌دهد: مدلی را که از قبل می‌داند تصاویر چگونه کار می‌کنند تنظیم دقیق می‌کنند. چند صد گام روی دادهٔ تازه می‌تواند کافی باشد، چون بیشتر آنچه مدل می‌داند همچنان به کار می‌آید.

کار تازه: آینه‌نویسی. هر رقم آموزشی از چپ به راست وارونه شده است. مدل رقم آموزش‌دیده هرگز یکی را ندیده است.

difflab.train_digits(steps=..., model=model, data=(pictures, labels)) آموزش یک مدل موجود را روی دادهٔ شما ادامه می‌دهد.

چگونه بررسی می‌کنید که آینه‌نویسی را یاد گرفت و نه چیز دیگری را؟ نمونه‌هایش را دوباره وارونه کنید: اگر به‌صورت رقم‌های درخواست‌شده خوانده شوند، رقم‌های آینه‌ای می‌کشد. و نمونه‌های وارونه‌نشده اکنون باید بیشتر نتوانند درست خوانده شوند، جز رقم‌هایی که در آینه یکسان به نظر می‌رسند (0، 1 و 8 تقریباً همین‌طورند): اگر بیشترشان همچنان درست خوانده شوند، چندان تغییر نکرده است.

واژه‌ها و نمادهای این درس
eps
نویز زنگوله‌ای که اضافه شد؛ شبکه پیش‌بینی آن را یاد می‌گیرد
DDIM
نمونه‌گیری با پرش میان چند گام، بدون نویز تازه
تنظیم دقیق
ادامهٔ آموزش یک مدل آموزش‌دیده روی دادهٔ تازه
نوبت شما

mirror(pictures) (ردیف‌هایی از 64 پیکسل، وارونه‌شده از چپ به راست) را بنویسید، مدل را روی رقم‌های آموزشی آینه‌ای برای حداکثر 400 گام تنظیم دقیق کنید (چند ثانیه؛ 300 کافی است) و after را با این‌ها پر کنید: سهمی از 500 نمونه (w = 2، 20 گام DDIM) که وقتی دوباره وارونه شوند به‌صورت رقم درخواست‌شده خوانده می‌شوند، سهمی که بدون وارونه کردن درست خوانده می‌شوند، و نزدیکی نمونه‌های دوباره وارونه‌شده.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.