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