迁移学习与计算机视觉

作为一种新的分类平台，深度学习最近已受到研究人员的越来越多的关注，并已成功地应用于许多领域。

不过在某些领域如生物信息，由于其数据获取和数据标注都需要进行大量的临床试验，因此很难构建大规模带有标注的高质量数据集，从而限制了它的发展。

为此，有人提出了迁移学习，这放松了数据获取的假设：只要求训练数据必须独立且与测试数据相同分布（i.i.d.），这促使我们可以使用迁移学习来解决训练数据不足的问题。

迁移学习就像在讲诉一个站在巨人肩膀的故事。随着越来越多的深度学习应用场景的出现，人们不可避免会去想，如何利用已训练的模型去完成相类似的任务，毕竟重新训练一个优秀的模型需要耗费大量的时间和算力，而在前人的模型进行改进，进而举一反三无疑是最好的办法。笔者将在这章给大家介绍迁移学习与计算机视觉的故事。

7.1 计算机视觉

计算机视觉的任务是识别和理解图像或者视频中的内容。

如今，互联网上超过70%的数据是图像或者视频，全世界的摄像头数目已超过人口数，每天有数以亿计小时的视频数据生成。

因此，我们需要自动化的计算机视觉技术才能处理如此大的数据量，这也是近年来计算机视觉能够蓬勃发展的原因。接下来&#x