目录
步骤:建MLP模型-》训练两次模型-》模型保存-》加载模型-》训练&预测模型
实战代码:coding-418/Artificial_Intelligence - 慕课网Git (imooc.com)
步骤:数据增强-》载入图像-》vgg16提取特征-》建立MeanShift模型-》训练&预测模型-》pca降维-》统计数据-》预测-》可视化
实战代码:coding-418/Artificial_Intelligence - 慕课网Git (imooc.com)
迁移学习概念
把已经训练好的模型直接拿过来用(比如已经提取好的图像轮廓、已经训练好语料的NLP模型),在新场景中,根据新数据建立新模型。
流程:任务数据A -》含参数(模型结构和权重)的A模型 -》任务数据B -》更新A模型的参数以获得B模型
好处:模型B对数据量要求小,待更新的数据量小,比全新模型表现好
模型更新的方式
1. 特征提取:去除模型A的输出层。相似度高,新数据少,保留原模型的大部分结构和权重
2. 结构引用:直接用模型A的结构,用新数据进行二次训练。相似度高,新数据多,基于原结构重新训练
3. 模型部分训练:用模型A的结构,只修改部分层的参数。相似度低,要训练的参数多
4. 全新模型:相似度低,新数据多,原模型不适用,重新训练新模型
根据以下两个因素选择模型更新的方式
1. 数据量
2. 任务相似度