原创力文档- 1、本文档共35页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
任务五：使用迁移学习完成垃圾分类搭建迁移学习模型人工智能学院—
1.任务导入
任务总结
任务五：使用迁移学习完成垃圾分类工作任务-定义数据生成器人工智能学院—
1.任务导入
任务总结
任务五：使用迁移学习完成垃圾分类工作任务——读取数据人工智能学院—
1.任务导入
任务总结
任务五：使用迁移学习完成垃圾分类工作任务-训练迁移学习模型人工智能学院—
1.任务导入
任务总结
任务五：使用迁移学习完成垃圾分类任务知识——迁移学习人工智能学院—
任务导入/01
任务导入垃圾分类是对垃圾收集处置传统方式的改革，将垃圾分类与人工智能图形识别技术相结合，是对垃圾进行有效处置的一种科学管理方法。本任务基于预训练模型ResNet101网络，使用ImageNet网络权重参数，应用迁移学习方法进行垃圾图片分类。使用迁移学习提高模型特征表达的能力，改进并选择合适的损失函数和优化方案，使得模型能够区分不同种类的垃圾，训练完毕的模型导出后可以部署在嵌入式系统或者APP中。
任务目标/02
了解迁移学习的基本原理掌握预训练模型的作用知识目标掌握根据任务的需求冻结预训练模型的层拓展能力能调用预训练模型完成模型的搭建能按照需求完成模型冻结的操作能基于需求添加新的模型层能力目标任务目标
任务导学/03
针对任务搭建了深度学习模型，使用给定的数据集训练模型，然后将数据输入模型得到预测结果。随着深度学习的发展，一些优秀的模型模型例如VGG、inception、MobileNet、ResNet等持续发布，这些模型都有完整的模型和权重参数，同时深度学习在新领域应用不断涌现。但是在一些新出现的领域中的大量训练数据非常难得到，这时可以把这些已经训练好模型的参数和结构迁移到新建的模型中帮助新模型训练，这个过程就是迁移学习（TransferLearning）。任务导学什么是迁移学习
任务知识点/04
4.任务知识训练有了一个ResNet101预训练模型，它可以识别1000种物体。现在有一个新的任务希望训练一个模型来识别40种不同类别的生活垃圾。这时就冻结ResNet101预训练模型的卷积核池化层的参数，定义识别垃圾的全连接层，然后使用采集的垃圾图片训练加入的全连接层，最后得到一个新的模型。任务知识点迁移学习
4.任务知识节省资源和时间：在某些情况下，数据的获取和标注是非常昂贵和耗时的。通过使用迁移学习，可以使用在大数据集上预训练的模型，减少在目标任务上训练模型所需的数据量和时间。在图像识别任务中，使用在ImageNet上训练好的模型进行迁移学习，可以极大地减少所需的计算资源和时间。任务知识点为什么要使用迁移学习?
4.任务知识提高模型性能：迁移学习可以在数据量有限的情况下提高模型的泛化能力。预训练模型中已经学习到的特征可以帮助提升在目标任务上的表现。尤其是在目标任务和源任务有相似特征时，迁移学习效果更为显著。解决小样本学习问题：对于那些无法获取大量标注数据的任务，迁移学习提供了一种可行的解决方案。通过利用其他任务的知识，可以在小样本情况下获得较好的模型表现。任务知识点为什么要使用迁移学习?
4.任务知识应对跨领域问题：在某些场景中，目标任务和源任务可能是不同的领域，但共享某些通用特征。迁移学习能够在不同领域之间实现知识转移，提升模型的适应能力。利用深度学习模型的优势：许多深度学习模型（如卷积神经网络）在大数据集上的训练能够学习到较为通用的特征表示，迁移学习能够充分利用这些预训练模型，特别是在卷积层的迁移上效果显著。任务知识点为什么要使用迁移学习?
4.任务知识节省数据和计算资源：减少对大量标注数据的需求：迁移学习可以使用预训练模型来减少在目标任务上训练模型所需的数据量。尤其是当标注数据稀缺或昂贵时，迁移学习能大幅降低数据收集和标注的成本。降低计算成本和训练时间：通过在预训练模型的基础上进行微调，而不是从头开始训练整个模型，迁移学习可以显著减少计算成本和时间。提升模型的适应能力：应对不同但相关的任务，迁移学习能够让模型在相关但不同的任务上表现更佳。例如，从自然图像识别迁移到医学图像分类。任务知识点迁移学习的优点
4.任务知识提高模型性能：更好的泛化能力：迁移学习能提高模型在小数据集上的泛化能力，因为预训练模型已经学习到了许多有用的特征。处理小样本学习问题：即使在数据量不足的情况下，迁移学习也能帮助模型取得较好的性能。加速模型开发：快速原型设计，利用现成的预训练模型可以快速建立初步的模型原型，并进行快速迭代和优化。减少实验复杂度：由于迁移学习利用了已有的特征表示和结构，开发者可以专注于更高层次的特征设计和调优。任务知识点迁移学习的优点
4.任务知识例如使用ResNet101模型实现迁移学习，首先下载预训练模型，可以直接从tensorflow源码中获取此模型的权重参数文件。本任
文档评论（0）