Трансферное обучение

(Пошаговое руководство по классификации изображений на несколько классов, часть 2)

Во второй части моего предыдущего блога (пошаговое руководство по классификации изображений по нескольким классам (часть 1)) будет проходить трансферное обучение. Как я уже сказал в предыдущей части, это огромная, но понятная тема, которую мы должны знать, прежде чем продолжить. Итак, что же такое трансферное обучение?

Передача обучения

В последние несколько лет глубокие нейронные сети становятся более точными в сопоставлении входных данных с выходными, а когда дело доходит до процесса обучения, теперь становится очень легко справиться с этим, когда используются графические процессоры. Даже каждая облачная платформа и каждая отдельная облачная платформа поставщика машинного обучения предоставляют графические процессоры. Так что для разработчика не составляет большого труда войти в контакт с глубоким обучением. Так что, если вы хороший программист, не волнуйтесь, попробуйте изучить основы машинного обучения, и вы наверняка получите больше.

Так что просто подумайте о сценарии обучения с учителем. Да, это легко, ха-ха. И он также может маркировать и категоризировать. Но в чем большая проблема. Скажем так, если мы построим модель для идентификации кошек и собак, и да, она будет хорошо определять кошку или собаку. Но в то же время, если вы хотите идентифицировать поезда и автобусы, черт возьми, мы должны построить другую отдельную модель Но дело в том, что эти модели сломаются или не будут хорошо работать, если у нас не будет достаточного количества маркированных данных об автобусах или поездах.

Поэтому думайте так, когда мы пытаемся идентифицировать автобусы, а не кошек, да, они разные. Но подождите, есть что-то похожее, потому что оба являются изображениями объектов, когда дело доходит до нейронной сети, она сначала пытается идентифицировать края. Okkkk, так что это в основном то же самое для сценариев идентификации шины и кошки, сначала нейронная сеть пытается идентифицировать края (это обнаружение края вызова, давайте поговорим об этом в следующей части), так что как разумное продвижение вперед пытается идентифицировать формы.Так что теперь довольно ясно, что переносное обучение позволяет нам использовать уже существующие знания, полученные при решении одной задачи, чтобы использовать их в качестве исходных знаний для других задач, которые мы собираемся выполнить.Поэтому постарайтесь передать знания как можно больше, чтобы это будет легко, а результаты будут более точными. Эндрю Нг, главный научный сотрудник Baidu и профессор Стэнфордского университета, сказал в своем широко популярном учебном пособии NIPS 2016, что трансферное обучение станет - после обучения с учителем - следующим фактором коммерческого успеха машинного обучения.

Несколько других определений для руководства по трансферному обучению

  1. Трансферное обучение и адаптация предметной области относятся к ситуации, когда то, что было изучено в одной обстановке ... используется для улучшения обобщения в другой обстановке.
  2. Трансферное обучение - это оптимизация, которая позволяет быстро прогрессировать или повысить производительность при моделировании второй задачи.
  3. Трансферное обучение - это улучшение обучения в новой задаче за счет передачи знаний из связанной задачи, которая уже была изучена.

Два распространенных подхода к использованию трансферного обучения:

  1. Разработка модельного подхода
  2. Предварительно обученный модельный подход

Разработайте подход к модели
Вы должны выбрать связанную задачу прогнозного моделирования с большим количеством данных, где есть некоторая взаимосвязь во входных данных, выходных данных и / или концепциях, изученных во время сопоставления из входных данных. для вывода данных. Затем их соответствие модели исходной задаче можно использовать в качестве отправной точки для модели для второй интересующей задачи. Это может включать использование всей модели или ее частей, в зависимости от используемого метода моделирования. По желанию может потребоваться адаптация или уточнение модели на основе парных данных ввода-вывода, доступных для интересующей задачи.

Подход к предварительно обученной модели
Выберите предварительно обученную модель из доступных. Затем предварительно обученную модель можно использовать в качестве отправной точки для модели по второй интересующей задаче. Это может включать использование всей модели или ее частей, в зависимости от используемого метода моделирования. По желанию может потребоваться адаптация или уточнение модели на основе парных данных ввода-вывода, доступных для интересующей задачи.

Этот второй тип трансферного обучения распространен в области глубокого обучения.

Супер, так это то, что вы называете трансферным обучением. Итак, в следующем разделе мы рассмотрим, что такое обнаружение края. Спасибо