1、fine-tuning(https://blog.csdn.net/weixin_42137700/article/details/82107208)
微调,在预训练的网络下进行微调,什么意思呢?就是当我有一个新的数据集时,希望我的网络能够更好的对我的数据进行预测的时候,就替换掉预训练好的网络模型中的一些数据,对一部分(通常是高层)或者是全部的层进行继续训练。这样得到的网络对我自己的新数据有更好的performance。plus:低层特征是图像的通用特征,而高层特征是与类别有关的特征。
对于这种fine-tuning是如何选择性的进行使用呢?主要存在4种情况:
- 新数据集比较小且和原数据集相似。因为新数据集比较小,如果fine-tune可能会过拟合;又因为新旧数据集类似,我们期望他们高层特征类似,可以使用预训练网络当做特征提取器,用提取的特征训练线性分类器。
- 新数据集大且和原数据集相似。因为新数据集足够大,可以fine-tune整个网络。
- 新数据集小且和原数据集不相似。新数据集小,最好不要fine-tune,和原数据集不类似,最好也不使用高层特征。这时可是使用前面层的特征来训练SVM分类器。