هل أنت جديد في تعلم الآلة؟ شاهد دورة بالفيديو للحصول على معرفة عملية بالتعلم الآلي باستخدام تقنيات الويب
. View series
ما هو نقل التعلم؟
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
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 .
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-07-25 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-07-25 (حسب التوقيت العالمي المتفَّق عليه)"],[],[],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)."]]
