迁移学习 特征提取&微调

迁移学习

迁移学习是把预训练好的模型迁移到新的任务上。

在神经网络迁移学习中，有两个应用场景：特征提取和微调

特征提取

特征提取：冻结除了全连接层之外的左右网络的权重。最后一个全连接层被替换为具有随机权重的新层，并且仅训练该层。

在特征提取中，可以在预先训练好的网络结构后，修改或添加一个简单的分类器，将源任务上的预先训练好的网络作为另一个目标任务的特征提取器，只对最后增加的分类器参数进行重新学习，而预先训练好的网络参数不会被修改或冻结。

微调

微调：使用预训练网络初始化网络，而不是随机初始化，用新数据训练部分或整个网络。

微调的大致过程：在预先训练过的网络上添加新的随机初始化层，此外，预先训练的网络参数也会被更新，但会使用较小的学习率以防止预先训练好的参数发生较大的变化。

常用的方法是固定底层的参数，调整一些顶层或具体层的参数。好处：减少训练参数的数量，有助于克服过拟合。

具体实现见博客PyTorch 预训练模型，保存，读取和更新模型参数以及多 GPU 训练模型（转载 极市平台）.

内容及图片来自于：《Python深度学习 基于Pytorch》