1、什么是迁移学习
在某些机器学习场景中,由于直接对目标域从头开始学习成本太高,因此我们期望运用已有的相关知识来辅助尽快地学习新知识。比如,已经会编写Java程序,就可以类比着来学习C#;已经学会英语,就可以类比着来学习法语;已经学会了骑自行车,就可以类比学习骑摩托车;等等。正是通过两种事物之间的相似性,可以构建一种从旧知识到新知识的迁移桥梁,从而可以更快更好的学习新知识。
迁移学习(Transfer Learning)通俗来讲就是学会举一反三的能力,通过运用已有的知识来学习新的知识,其核心是找到已有知识和新知识之间的相似性,通过这种相似性的迁移达到迁移学习的目的。世间万事万物皆有共性,如何合理地找寻它们之间的相似性,进而利用这个桥梁来帮助学习新知识,是迁移学习的核心问题。
也就是能够识别猫狗的大型模型,可以只训练几百个样本就能够识别老虎和狮子。
2、引出两种迁移学习的方式
预训练模式
预训练
- 将网络的结构,参数迁移到新的任务中
- 参数的初始化取值设定为原网络的数值
- 所有的参数重新训练
固定值模式
固定值:
- 将网络的结构、参数迁移到新的任务中
- 参数的取值设定为原网络的数值,始终不变
3、小结
- 迁移学习有望解决数据稀缺的问题
- 神经网络的切分与组合
- 两种迁移学习方式:固定值模式与预测训练模式
内容部分有截取他人,如有侵权联系删。