Трансферное обучение - это повторное использование предварительно обученной модели для решения новой проблемы. В настоящее время он очень популярен в глубоком обучении, поскольку может обучать глубокие нейронные сети со сравнительно небольшим объемом данных. Это очень полезно, поскольку большинство реальных проблем обычно не имеют миллионов помеченных точек данных для обучения таких сложных моделей.

В трансферном обучении знания уже обученной модели машинного обучения применяются к другой, но связанной проблеме. При трансферном обучении мы в основном пытаемся использовать то, что было изучено в одной задаче, для улучшения обобщения в другой. Мы переносим веса, которые сеть получила в задаче A, в новую задачу B.

Трансферное обучение в основном используется в задачах компьютерного зрения и обработки естественного языка, таких как анализ тональности, из-за огромной требуемой вычислительной мощности.

VGG16 - это модель сверточной нейронной сети, предложенная К. Симоняном и А. Зиссерманом из Оксфордского университета в статье Очень глубокие сверточные сети для распознавания крупномасштабных изображений. Модель достигает 92,7% точности тестов в топ-5 ImageNet, который представляет собой набор данных из более чем 14 миллионов изображений, принадлежащих к 1000 классам. Это была одна из самых известных моделей, представленных на ILSVRC-2014. Он обеспечивает улучшение по сравнению с AlexNet за счет замены фильтров большого размера ядра (11 и 5 в первом и втором сверточном слое, соответственно) несколькими фильтрами размера ядра 3 × 3 один за другим. VGG16 обучалась неделями и использовала графические процессоры NVIDIA Titan Black.

Постановка проблемы: создайте проект, используя трансферное обучение для решения различных задач, таких как распознавание лиц и классификация изображений, используя существующие модели глубокого обучения, такие как VGG16 и т. д.

Шаг 1. Соберите набор данных

Основным требованием для создания любой модели является набор данных. Итак, давайте соберем некоторые данные.

Шаг 2. Обучите модель с помощью VGG16

Шаг 3. Протестируйте и запустите модель

Итак, теперь наша модель готова к использованию. Используя концепцию трансферного обучения и предварительно обученные веса архитектуры VGG16, мы можем сэкономить как наше время, так и ресурсы.

Спасибо!!