Explicación para principiantes
El aprendizaje por transferencia comienza con un modelo que ya ha aprendido patrones útiles. El ajuste fino ajusta algunos o todos sus parámetros para una nueva tarea. Esto puede reducir la cantidad de entrenamiento específico de la tarea necesario, pero no elimina la necesidad de evaluación.
Explicación intermedia
Un extractor de características congelado mantiene intactos los pesos preentrenados mientras se entrena una nueva capa de predicción. El ajuste fino actualiza los pesos seleccionados. Mantén separados los datos de validación y prueba, y comprueba si el dominio del entrenamiento original se parece a la nueva tarea.
Explicación avanzada
Los métodos eficientes en parámetros actualizan un conjunto reducido de parámetros, como adaptadores de bajo rango, y conservan la mayoría de los pesos preentrenados. Compara la generalización, el olvido y la fuga de datos, no solo la pérdida de entrenamiento. Las instrucciones y la recuperación cambian las entradas; el ajuste fino cambia los parámetros aprendidos.
PONLO EN CONTEXTO
Un ejemplo práctico
Un clasificador ficticio de plantas puede reutilizar la estructura principal de un modelo de imágenes preentrenado y entrenar una capa de predicción para cinco tipos de plantas. Aun así, debe probarse con distintos ejemplares y condiciones de iluminación, no solo con más fotos de la misma planta.
PRUÉBALO POR TI MISMO
Practica la idea
Clasifica estas operaciones: añadir un manual al prompt; entrenar una capa de salida; actualizar todos los pesos de la red.
Revela la guía de respuestas
Añadir el manual cambia el contexto, no los pesos. Entrenar solo la capa de salida es un enfoque de aprendizaje por transferencia que mantiene congelada la estructura principal del modelo. Actualizar todos los pesos es un ajuste fino completo. Las tres opciones requieren una evaluación específica para la tarea.
Ve más allá: desafío avanzado
Diseña una división que evite que fotos del mismo objeto físico aparezcan tanto en el conjunto de entrenamiento como en el conjunto de prueba final.
Una actividad de debate abierto. Explica tus supuestos y las pruebas que los respaldan; puede haber más de una respuesta defendible.
Continúa la conversación
¿Qué parte de esta idea te gustaría probar o cuestionar? Compara tu razonamiento con la comunidad.
Encuentra discusiones relacionadas en el foro ↗Abre una búsqueda de temas en el foro existente de AstraCruz. Los resultados dependen de las publicaciones disponibles; puede ser necesario iniciar sesión. No se fabrican discusiones ni actividades.
Explora todos los forosLectura adicional
Explicaciones originales de AstraCruz y ejercicios ficticios. Estas referencias principales proporcionan un contexto técnico más amplio; los materiales vinculados pueden cambiar.
Tu marca de finalización se mantiene en este navegador.