计算机视觉应用开发 第2章 图像分类.pptVIP

1 认识迁移学习 迁移学习的基本概念 迁移学习(Transfer Learning)是一种深度学习方法，就是把为任务A开发的模型作为初始点，重新应用在为任务B开发模型的过程中，顾名思义就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务是存在相关性的，所以通过迁移学习可以将已经学到的模型参数（也可理解为模型学到的知识）通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习?(Starting From Scratch)。 2 迁移学习的特点 2 迁移学习的特点 迁移学习与一般深度学习的区别主要表现在数据分布，数据标签，以及模型使用三个方面。 在数据分布方面，一般的深度学习需要训练数据和测试数据同分布，即标准数据和非标准数据在训练集和测试集中所占的比例大致相同。而在迁移学习中，训练数据和测试数据的分布可以不同。 在数据标签方面，一般的深度学习往往需要大量的数据标注，而在迁移学习中，数据标注可以不用那么多。 在模型使用方面，一般的深度学习需要针对每个任务分别建模，而在迁移学习中，任务不需要重新开始建立模型，可以重用之前的模型。 2 迁移学习的特点 迁移学习使用方法：可以在自己的预测模型问题上使用迁移学习，通常有两种方法：开发模型方法和预训练模型方法。对于开发模型方法，分为四步： (1) 选择源任务：必须选择一个与大量数据相关的预