全文共2968字,预计学习时长9分钟
来源:Pexels
在不远的过去,数据科学团队需要一些东西来有效地利用深度学习:
· 新颖的模型架构,很可能是内部设计的
· 访问大型且可能是专有的数据集
· 大规模模型训练所需的硬件或资金
这就阻碍了深度学习,将其局限于满足这些条件的少数项目。
然而,在过去几年里,情况发生了变化。
在Cortex,用户推出了基于深度学习的新一代产品,与以前不同的是,这些产品并非都是使用独一无二的模型架构构建的。
这种进步的背后驱动力是迁移学习。
什么是迁移学习?
广义上讲,迁移学习是指在为特定任务训练的模型中积累知识,例如,识别照片中的花可以转移到另一个模型中,以助于对不同的相关任务(如识别某人皮肤上的黑色素瘤)进行预测。
注:如果想深入研究迁移学习,塞巴斯蒂安·鲁德(Sebastian Ruder)已经写了一本很棒的入门书。<