✍🏻 هرس شاخه‌های هوش مصنوعی راهکاری برای کوچک‌تر کردن شبکه‌های عصبی

برای آموزش شبکه‌های عصبی، توان پردازشی زیادی را هدر می‌دهیم، زیرا شبکه‌هایی بزرگ‌تر از آن‌چه نیاز داریم را انتخاب می‌کنیم تا شانس بیشتری برای آموختن داشته باشند. فرایند آموزش چنین شبکه‌ای چندین روز زمان می‌برد و تأمین توان پردازشی آن پرهزینه است.بر همین اساس، سالها است که محققان برای افزایش سرعت و بهبود عملکرد محاسباتی، شبکه‌هایشان را پس از آموزش، هرس می‌کنند. اما تاکنون فرایند هرس پیش از آموزش دادن شبکه استفاده نشده است. این همان ایده‌ای است که محققان اِم‌آی‌تی روی عملی کردنش کار می‌کنند. جاناتان فرانکل (Jonathan Frankle) دانشجوی دکترای دانشگاه اِم‌آی‌تی معتقد است حالا که به اتصالات کمتری نیاز داریم چرا با شبکه‌ای کوچک و بدون اتصالات اضافی شروع نکنیم و آنرا آموزش ندهیم؟اساس پژوهش او و گروهش بر این حقیقت استوار است که مقادیر تصادفی اختصاص داده شده به اتصالات شبکه یا همان پیکربندی اولیه شبکه، بر پیکربندی نهایی که شبکه پس از آموزش دیدن به خود می‌گیرد تأثیر می‌گذارد.


📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI