轉移學習

已完成

在現實生活中，如果您已有類似可轉移技能方面的專業知識，則通常可以更輕鬆地學習新技能。 例如，如果有人已經學會如何駕駛汽車，則教導他們駕駛公車可能更輕鬆。 駕駛員可以依靠他們已在汽車中學到的駕駛技能，並將其應用於駕駛公車。

您可以透過稱為「轉移學習」」的技術，將相同的準則套用至定型深度學習模型。

轉移學習的運作方式

影像分類的卷積神經網路 (CNN)，通常是由擷取特徵的多個圖層組成，然後使用最終的完全連線層，根據這些特徵來分類影像。

就概念而言，此神經網路包含兩組不同的圖層：

1. 一組來自基礎模型的圖層，其會執行「特徵擷取」。
2. 完全連線層，其會取得擷取的特徵，並使用它們進行類別「預測」。

特徵擷取層會套用卷積篩選條件和集區，以強調影像中可用來區分它們的邊緣、角落和其他模式，而且理論上應該適用於具有與網路輸入層相同維度的任何影像集。 預測層會將特徵對應至一組輸出，代表每個類別標籤要用來分類影像的機率。

藉由將網路區隔為這些類型的圖層，我們可以從已定型的模型中取得特徵擷取層，並附加一或多個圖層，以使用擷取的特徵來預測影像的適當類別標籤。 這種方法可讓您為特徵擷取層保留預先定型的權數，這表示您只需要定型您已新增的預測層。

影像分類有許多已建立的卷積神經網路架構，可以作為轉移學習的基礎模型，因此您可以依靠其他人已完成的工作，來輕鬆建立有效的影像分類模型。