İçeriğe geç
parazade
Yapay Zeka

Kontrol Noktası Nedir?

İngilizce: Checkpoint

Yayın: · Son güncelleme:

Kontrol Noktası Nedir? Kısaca

Kontrol noktası (checkpoint), bir yapay zekâ modelinin eğitimi sırasında belirli aralıklarla kaydedilen anlık durumudur. Model ağırlıklarını ve çoğu zaman eğitime kaldığı yerden devam etmek için gereken ek bilgileri içerir.

Kontrol Noktası nedir?
İçindekiler
  1. Kontrol noktası nedir?
  2. Ne işe yarar?
  3. Nelere dikkat etmeli?

Büyük modellerin eğitimi günler ya da haftalar sürebilir. Bu süreçte bir donanım arızası ya da elektrik kesintisi her şeyi baştan başlatmak anlamına gelmesin diye düzenli kontrol noktaları alınır.

Kontrol noktası nedir?

Bir kontrol noktası, oyunlardaki "kayıt noktası" gibidir. Eğitim belirli sayıda adımda ya da her epoch sonunda durumunu dosyaya yazar. Bir kontrol noktasında genellikle şunlar bulunur:

  • Modelin ağırlıkları
  • Optimizasyon algoritmasının durumu (ör. Adam'ın tuttuğu momentum değerleri)
  • Öğrenme oranı zamanlayıcısının durumu
  • Kaçıncı adımda kalındığı bilgisi

Yalnızca çıkarım için paylaşılan kontrol noktalarında genellikle sadece ağırlıklar bulunur; bu yüzden dosya daha küçüktür.

Ne işe yarar?

  • Kesintiden kurtarma: Eğitim son kayıttan devam eder.
  • En iyi modeli seçme: Farklı aşamalardaki kontrol noktaları doğrulama verisiyle test edilir; aşırı öğrenme başlamadan önceki sürüm seçilebilir.
  • Paylaşım: Açık modeller çoğu zaman kontrol noktası dosyaları olarak yayımlanır. Görsel üretim topluluklarında "checkpoint" kelimesi doğrudan "model dosyası" anlamında kullanılır.
  • İnce ayar: Başkasının kontrol noktası, yeni bir eğitimin başlangıç noktası olabilir.

Nelere dikkat etmeli?

Kontrol noktaları büyük dosyalardır; çok sık kayıt depolamayı hızla doldurur. Ayrıca bazı eski dosya biçimleri yüklenirken kod çalıştırabildiğinden, güvenilmeyen kaynaklardan gelen kontrol noktalarında güvenli biçimleri tercih etmek gerekir.

Sıkça Sorulan Sorular

Kontrol noktası ile model aynı şey mi?

Kontrol noktası, modelin belirli bir andaki kaydıdır. Eğitimi biten modelin son kontrol noktası, pratikte yayımlanan modelin kendisi olabilir.

Eğitim kontrol noktasından nasıl devam eder?

Kaydedilen ağırlıklar, optimizasyon durumu ve adım bilgisi yüklenir; eğitim kaldığı yerden aynı ayarlarla sürdürülür.

İlgili terimler

SafetensorsSafetensors, yapay zekâ modellerinin ağırlıklarını (tensörleri) saklamak için geliştirilmiş, yüklenirken kod çalıştırmaya izin vermeyen güvenli ve hızlı bir dosya biçimidir. Uzantısı genellikle .safetensors olur.EpochEpoch, bir makine öğrenmesi modelinin eğitim veri kümesinin tamamını bir kez baştan sona görüp işlemesine verilen addır; eğitim genellikle birden fazla epoch boyunca sürer.Ağırlık(Weight)Ağırlık (weight), yapay sinir ağlarında ve diğer makine öğrenmesi modellerinde her girdinin ya da bağlantının çıktıya ne kadar katkı yapacağını belirleyen ve eğitim sırasında veriden öğrenilen sayısal parametredir.İnce Ayar(Fine-tuning)İnce ayar (fine-tuning), önceden eğitilmiş bir yapay zekâ modelini daha küçük ve göreve özel bir veri kümesiyle yeniden eğiterek belirli bir işe, üsluba veya alana uyarlama işlemidir.Öğrenme Oranı(Learning Rate)Öğrenme oranı, gradyan inişi sırasında model parametrelerinin her adımda ne kadar büyük miktarda değiştirileceğini belirleyen ve eğitimin başarısını en çok etkileyen hiperparametrelerden biridir.Aşırı Öğrenme(Overfitting)Aşırı öğrenme (overfitting), bir modelin eğitim verisindeki genel kalıplar yerine gürültü ve ayrıntıları ezberlemesi sonucu eğitimde çok başarılı, yeni verilerde ise zayıf sonuç vermesidir.

İlgili yazılar