一个例子了解迁移学习

迁移学习

对于传统机器学习而言，要求训练样本与测试样本满足独立同分布，而且必须要有足够多的训练样本。而迁移学习能把一个领域（即源领域）的知识，迁移到另外一个领域（即目标领域），目标领域往往只有少量有标签样本，使得目标领域能够取得更好的学习效果。

 

 

 

迁移方式

• 样本迁移，在源领域中找出与目标领域相似的样本，增加该样本的权重，使其在预测目标与的比重加大。
• 特征迁移，源领域与目标领域包含共同的交叉特征，通过特征变换将源领域和目标领域的的特征变换到相同空间，使它们具有相同分布。
• 模型迁移，源领域和目标领域共享模型参数，将源领域已训练好的网络模型应用到目标领域的新问题上。
• 关系迁移，源领域和目标领域具有某种相似关系，可以将源领域的逻辑关系应用到目标领域中。

模型迁移

这里基于预训练的卷积神经网络训练一组新参数，然后将其用于分类任务，这样就能共享模型参数，避免了从头开始训练模型的参数，大大减少训练时间。

数据集

在示例中使用flower17数据集，它是一个包含17种花卉类别的数据集，每个类别有80张图像。收集的花都是英国一些常见的花，这些图像具有大比例、不同姿态和光线变化等性质。

使用水仙花和款冬这两类花，并且在预训练的VGG16网络之上构建分类器。