باختصار
التقارب (Convergence) حالة بتتحقّق لما تتغيّر قيم الخسارة تغيّرًا طفيفًا جدًا أو لا تتغيّر إطلاقًا مع كل تكرار.
بالتفصيل
النموذج بيتقارب لما التدريب الإضافي ما بقاش هيحسّنه. ودي لحظة مهمّة عمليًا، لأنها بتقول لك: وقّف، الحوسبة الزيادة هنا بلا عائد.
وبتظهر عادةً على منحنى الخسارة (Loss Curve) كخطّ بيهبط بحدّة في البداية ثم يستوي أفقيًا — مثلًا تقارب حوالي 700 تكرار.
لكن فيه فخّ مهمّ في التعلّم العميق. قيم الخسارة أحيانًا بتفضل ثابتة أو شبه ثابتة لعدد كبير من التكرارات قبل ما تبدأ تهبط أخيرًا. وخلال الفترة الطويلة دي من ثبات الخسارة، ممكن ينتابك إحساس زائف بالتقارب.
يعني لو وقّفت التدريب بدري بناءً على الاستواء ده، ممكن تكون ضيّعت التحسّن اللي كان جايّ بعده بشوية.
ومرتبط بالمفهوم ده أسلوب الإيقاف المبكّر (Early Stopping)، اللي بيوقّف التدريب عند نقطة مناسبة لتجنّب فرط التخصيص.
مثال عملي
بتدرّب مصنّفًا وبتراقب الخسارة. من التكرار 1 إلى 200 بتهبط بسرعة، ومن 200 إلى 650 بتهبط ببطء، ومن 650 إلى 700 بالكاد بتتحرّك.
ده تقارب. الاستمرار إلى 2000 تكرار غالبًا هيستهلك حوسبة بلا مقابل — وقد يبدأ النموذج في حفظ بيانات التدريب بدل التعميم.
مصطلحات مرتبطة
- Loss Curve — منحنى الخسارة.
- Early Stopping — الإيقاف المبكّر.
- Gradient Descent — الانحدار التدريجي.
المصادر: Google ML Glossary
