تقليم النموذج (Model Pruning) هو مصطلح ظهر في مقالات قرمصيص ويستحق شرحاً مستقلاً. تقنية ضغط تزيل أوزاناً أو قنوات قليلة الأهمية لجعل النموذج أصغر وأكثر كفاءة. فهمه يساعدك على قراءة الشروحات ونتائج التجارب من غير خلط بين الاسم ووظيفته الفعلية.
باختصار
تقنية ضغط تزيل أوزاناً أو قنوات قليلة الأهمية لجعل النموذج أصغر وأكثر كفاءة.
بالتفصيل
يُقاس تأثير مكونات النموذج ثم تُصفّر أو تُحذف أجزاء منخفضة الأهمية. قد يكون التقليم غير منظّم على مستوى الأوزان أو منظّماً على مستوى القنوات، وغالباً يتبعه ضبط قصير لاستعادة جزء من الدقة.
الفكرة العملية هي النظر إلى مكان المصطلح داخل خط العمل: ما البيانات التي تدخل إليه، وما النتيجة التي ينتجها، وما التكلفة أو الافتراض الذي يضيفه. المقارنة العادلة تحتاج تجربة على بيانات منفصلة ومقياس مناسب، لا الاعتماد على الاسم أو الشهرة وحدهما.
مثال عملي
يمكن تقليم شبكة رؤية قبل تشغيلها على جهاز طرفي محدود الذاكرة والطاقة، ثم قياس السرعة والدقة على العتاد الفعلي.
خلي بالك: النموذج المتناثر لا يصبح أسرع تلقائياً؛ يجب أن يدعم البرنامج والعتاد نمط التبعثر المستخدم.
مصطلحات مرتبطة
Quantization، Knowledge Distillation، On-Device AI. قراءة هذه المصطلحات معاً توضح العلاقة بين البيانات والتدريب والتقييم والتشغيل.
المصادر: PyTorch
