迁移学习和Fine Tuning

https://arxiv.org/pdf/1411.1792.pdf

迁移学习transfer learning的概念：

打破深度学习需要大量的训练数据的传统观念，其实我们可以站在巨人的肩膀上，借助预训练好的模型，泛化到自己的数据集上，如下图。

注：冻结模型的意思是在训练的时候保持参数不变

1、迁移学习的几种情况：

（1）如果数据集很小，同时与原数据集很相似，我们只要对数据集的最后线性分类层进行修改就行

（2）如果数据集很小，同时与原数据集不同，我们不需要高层卷积层，因为高级卷积层提取的是原数据集的特化高级特征

（3）如果数据集很大，且与原数据集相似，我们就不用对预训练模型进行冻结了，我们可以将预训练模型的参数作为模型初始化参数，然后对这个模型参数进行微调

（4）如果数据集很大，且与原数据集不同，方法同（3）

2、神经网络的迁移学习是普遍的

注：word2vec 词向量是google提出的，用多维向量俩表示词的语义信息

3、迁移学习并不是万能的，需要具体问题具体分析，何凯明提出预训练模型和随机初始化模型所得结果差不多，但是预训练模型在最开始会加速收敛。我们应该具体问题具体分析

4、当数据集很小时，怎么办呢？

5、迁移学习的理论基础：底层，中层卷积层已经将特征提取出来，高层卷积层提取的是特化的高级特征，比如在imageNet数据集上预训练的模型高层卷积层提取的是imageNet数据集的特化高级特征。

预训练模型已经对底层普适特征进行提取，我们只要对最后的全连接层进行训练调整

http://web.stanford.edu/group/blau/pdfs/Esteva_Thrun_2017.pdf

6、应用实例

在上面论文中，就是使用inception-V3 预训练模型来进行迁移学习，对皮肤癌进行分类的一个实例


医疗诊断的标准：