迁移学习是指利用一些现成的模型的特征,利用到新的问题上。新问题只需重新训练最后一层即可。
Andrew Ng也说:迁移学习将是机器学习新的动力,而之前是深度学习。
针对图像识别的多层卷积网络,如ImageNet、Inception V3等大型分类网络,由于其提取了很多很多图像的卷积特征,
而图像的特征往往是想通的,因此我们可以直接利用这些特征训练我们自己的分类器。
这里有一个比较KNN SVM BP与CNN及迁移学习的博客:http://www.sohu.com/a/141219314_390227
这篇博客需要设计一个判别猫的模型的分类器,结果是:传统的KNN SVM BP效果非常差,
CNN效果还可以但是训练时间非常长,迁移学习的效果非常好并且训练时间很短。
——————————————————————————————————————————————
Tensorflow网站上也有相关的迁移学习的学习教程:https://www.tensorflow.org/tutorials/image_retraining
其实图像风格变换中也用到了迁移学习的思想,即利用一个训练好的网络来训练新的参数。
——————————————————————————————————————————————