反向工程_聚焦迁移学习反向传播缺陷，百度资深工程师带来全新 ICML 工作分享...

CV 在前，NLP 在后，迁移学习技术的应用为这两个领域所带来的进展和突破，不可谓不瞩目。

其中，预训练模型作为当下迁移学习的一种主流方法，让“从零开始训练一个新模型”的时代一去不复返。这类在大型数据集上训练好的模型进行微调后，便能够较好地适配类似的新目标任务，可以极大地节约时间和成本。

不过，天下没有免费的午餐，这种方法看似“一劳永逸”，也需要付出一定的代价，其中的一大问题便是，由于反向传播带给深层卷积层的更新较小，微调得到的模型往往被“吸引”在预训练模型附近，无法得到充分更新。

对此，百度的一篇 ICML 2020工作《RIFLE: Backpropagation in Depth for Deep Transfer Learning through Re-Initializing the Fully-connected LayEr》，提出了一种简单有效的策略RIFLE，通过周期性的重新初始化全连接层，给深层的特征提取网络带来有意义的更新，提升低层次特征的学习，从而显著提升迁移学习的效果。

论文地址：https://proceedings.icml.cc/static/paper_files/icml/2020/3745-Paper.pdf

开源地址：https://github.com/haozhe-an/RIFLE-Paddle-Implementation

基于PaddlePaddle的实现：https://github.com/haozhe-an/RIFLE-Paddle-Implementation

据悉，该方法已超过已有同类方法如 Dropout、Dropconnect、Stochastic Depth、 Disturb Label以及Cyclic Learning Rate 等，在多个数据集上的效果提升0.5%-2%。

为了深度解析这项工作背后的算法原理以及应用效果，AI 科技评论特别邀请到了论文一作、百度大数据实验室资深工程师李兴建，来做论文直播分享！

时间就定在7月24日 20:00整，各位同学记得准时收看~

分享主题：RIFLE算法：通过重新初始化全连接层加深迁移学习中的梯度反向传播

分享嘉宾：李兴建，百度大数据实验室资深工程师，多年自然语言处理、深度学习、迁移学习等领域工作经验

分享时间：7月24日(周五晚) 20:00整

分享背景：

基于一个预训练的深度学习模型进行微调，成为一种主流的迁移学习方式。该方法虽然简单有效，但微调得到的模型经常被『吸引』在预训练模型附近，无法得到充分更新。我们的工作提出一种简单有效的策略RIFLE，通过周期性的重新初始化全连接层，给深层的特征提取网络带来有意义的更新，提升低层次特征的学习。

分享提纲：

1. 深度迁移学习简介和RIFLE算法提出的动机

2. 算法流程

3. 算法效果及讨论

4. 二层网络模拟实验

如何加入？