মেশিন লার্নিং এ নতুন? ওয়েব টেকনোলজি ব্যবহার করে ML এর ব্যবহারিক কাজের জ্ঞান পেতে একটি ভিডিও কোর্স
দেখুন সিরিজ দেখুন
ট্রান্সফার লার্নিং কি?
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
অত্যাধুনিক ডিপ লার্নিং মডেলের লক্ষ লক্ষ প্যারামিটার (ওজন) থাকে এবং স্ক্র্যাচ থেকে তাদের প্রশিক্ষণের জন্য প্রায়ই প্রচুর পরিমাণে ডেটা এবং কম্পিউটিং সংস্থান প্রয়োজন হয়। ট্রান্সফার লার্নিং হল এমন একটি কৌশল যা ইতিমধ্যেই একটি সম্পর্কিত কাজের প্রশিক্ষণপ্রাপ্ত মডেলের একটি অংশ গ্রহণ করে এবং এটিকে একটি নতুন মডেলে পুনঃব্যবহারের মাধ্যমে এর অনেকটাই শর্টকাট করে।
উদাহরণ স্বরূপ, এই বিভাগের পরবর্তী টিউটোরিয়ালটি আপনাকে দেখাবে কিভাবে আপনার নিজের ইমেজ শনাক্তকারী তৈরি করতে হয় যেটি এমন একটি মডেলের সুবিধা নেয় যা ইতিমধ্যেই ইমেজের মধ্যে 1000 এর মত বিভিন্ন ধরণের বস্তু চিনতে প্রশিক্ষিত ছিল। আপনি প্রাক-প্রশিক্ষিত মডেলে বিদ্যমান জ্ঞানকে মানিয়ে নিতে পারেন আপনার নিজের ইমেজ ক্লাস সনাক্ত করতে প্রয়োজনীয় মূল মডেলের তুলনায় অনেক কম প্রশিক্ষণ ডেটা ব্যবহার করে।
ব্রাউজার এবং মোবাইল ডিভাইসের মতো রিসোর্স-অনিরোধিত পরিবেশে মডেলগুলি কাস্টমাইজ করার পাশাপাশি নতুন মডেলগুলি দ্রুত বিকাশের জন্য এটি কার্যকর।
প্রায়শই ট্রান্সফার লার্নিং করার সময়, আমরা আসল মডেলের ওজন সামঞ্জস্য করি না। পরিবর্তে আমরা চূড়ান্ত স্তরটি সরিয়ে ফেলি এবং কাটা মডেলের আউটপুটের উপরে একটি নতুন (প্রায়শই মোটামুটি অগভীর) মডেল প্রশিক্ষিত করি। এই কৌশলটি আপনি এই বিভাগের টিউটোরিয়ালগুলিতে প্রদর্শিত দেখতে পাবেন:
TensorFlow.js ব্যবহার করে ট্রান্সফার শেখার একটি অতিরিক্ত উদাহরণের জন্য, একটি প্রাক-প্রশিক্ষিত মডেল ব্যবহার করুন দেখুন।
অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।
2025-07-25 UTC-তে শেষবার আপডেট করা হয়েছে।
[null,null,["2025-07-25 UTC-তে শেষবার আপডেট করা হয়েছে।"],[],[],null,["# What is transfer learning?\n\n\u003cbr /\u003e\n\nSophisticated deep learning models have millions of parameters (weights), and\ntraining them from scratch often requires large amounts of data and computing\nresources. Transfer learning is a technique that shortcuts much of this by\ntaking a piece of a model that has already been trained on a related task and\nreusing it in a new model.\n\nFor example, the next tutorial in this section will show you how to build your\nown image recognizer that takes advantage of a model that was already trained to\nrecognize 1000s of different kinds of objects within images. You can adapt the\nexisting knowledge in the pre-trained model to detect your own image classes\nusing much less training data than the original model required.\n\nThis is useful for rapidly developing new models as well as customizing models\nin resource-constrained environments like browsers and mobile devices.\n\nMost often when doing transfer learning, we don't adjust the weights of the\noriginal model. Instead we remove the final layer and train a new (often fairly\nshallow) model on top of the output of the truncated model. This is the\ntechnique you will see demonstrated in the tutorials in this section:\n\n- [Build a transfer-learning based image classifier](/js/tutorials/transfer/image_classification)\n- [Build a transfer-learning based audio recognizer](/js/tutorials/transfer/audio_recognizer)\n\nFor an additional example of transfer learning using TensorFlow.js, see\n[Use a pre-trained model](/js/tutorials/conversion/pretrained_model)."]]
