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..

В предыдущих статьях мы узнали о классических архитектурах сверточных нейронных сетей (CNN) ( LeNet-5 , AlexNet , VGG16 и ResNets ). Мы создали все модели с нуля с помощью Keras, но не обучали их, потому что обучение таких глубоких нейронных сетей требует больших затрат и времени на вычисления. Но благодаря трансферному обучению, когда модель, обученная одной задаче, может быть применена к другим задачам. Другими словами, модель, обученную одной задаче, можно настроить или..

В этом посте рассматривается процесс внедрения трансферного обучения для классификации изображений. Я буду использовать архитектуру VGG16 с весами imagenet, но этот процесс можно использовать и с другими архитектурами моделей, такими как VGG19, ResNet-50 и т. д. Первое, что нам нужно сделать, это сделать необходимый импорт. Я буду использовать Keras в этом посте. from keras.layers import Input from keras.models import Model from keras.applications import VGG16 from keras.layers import..