در یادگیری ماشینی جدید هستید؟ یک دوره ویدیویی را تماشا کنید تا دانش کاربردی ML را با استفاده از فناوری‌های وب
مشاهده کنید
یادگیری انتقالی چیست؟
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
مدل‌های یادگیری عمیق پیچیده میلیون‌ها پارامتر (وزن) دارند و آموزش آن‌ها از ابتدا اغلب به مقادیر زیادی داده و منابع محاسباتی نیاز دارد. یادگیری انتقالی تکنیکی است که بسیاری از این موارد را با برداشتن یک قطعه از مدلی که قبلاً در مورد یک کار مرتبط آموزش دیده است و استفاده مجدد از آن در یک مدل جدید میانبر می‌کند.
به عنوان مثال، آموزش بعدی در این بخش به شما نشان می‌دهد که چگونه تشخیص‌دهنده تصویر خود را بسازید که از مدلی استفاده می‌کند که قبلاً برای تشخیص 1000 نوع شیء مختلف در تصاویر آموزش داده شده است. شما می توانید دانش موجود در مدل از پیش آموزش دیده را با استفاده از داده های آموزشی بسیار کمتر از مدل اصلی مورد نیاز، برای شناسایی کلاس های تصویر خود تطبیق دهید.
این برای توسعه سریع مدل‌های جدید و همچنین سفارشی‌سازی مدل‌ها در محیط‌های محدود به منابع مانند مرورگرها و دستگاه‌های تلفن همراه مفید است.
اغلب هنگام انجام یادگیری انتقالی، وزن مدل اصلی را تنظیم نمی کنیم. در عوض لایه نهایی را حذف می کنیم و یک مدل جدید (اغلب نسبتاً کم عمق) را در بالای خروجی مدل کوتاه شده آموزش می دهیم. این تکنیکی است که در آموزش های این بخش نشان داده شده است:
برای مثال اضافی از یادگیری انتقال با استفاده از TensorFlow.js، به استفاده از یک مدل از پیش آموزش دیده مراجعه کنید.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی."],[],[],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)."]]
