CNN网络实战技巧迁移学习(Transfer Learning)
Posted ZSYL
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了CNN网络实战技巧迁移学习(Transfer Learning)相关的知识,希望对你有一定的参考价值。
我们来看一个问题如果我们要做一个具体场景的计算机视觉任务,那么从头开始训练一个网络是合适的选择吗?
怎么样才能避免浪费过多的计算时间?
1. 迁移学习(Transfer Learning)
1.1 介绍
- 定义
- 迁移学习就是利用数据、任务或模型之间的相似性,将在旧的领域学习过或训练好的模型,应用于新的领域这样的一个过程。
- 两个任务的输入属于同一性质:要么同是图像、要么同是语音或其他
迁移学习到底在什么情况下使用呢?
有两个方面需要我们考虑的
- 1、当我们有海量的数据资源时,可以不需要迁移学习,机器学习系统很容易从海量数据中学习到一个鲁棒性很强的模型。 但通常情况下,我们需要研究的领域可获得的数据极为有限,在少量的训练样本上精度极高,但是泛化效果极差。
- 2、训练成本,很少去从头开始训练一整个深度卷积网络,从头开始训练一个卷积网络通常需要较长时间且依赖于强大的 GPU 计算资源。
1.2 方法
- 最常见的称呼叫做fine tuning,即微调
- 已训练好的模型,称之为Pre-trained model
通常我们需要加载以训练好的模型,这些可以是一些机构或者公司在ImageNet等类似比赛上进行训练过的模型。TensorFlow同样也提供了相关模型地址:https://github.com/tensorflow/models/tree/master/research/slim
下图是其中包含的一些模型:
1.3 过程
这里我们举一个例子,假设有两个任务A和B,任务 A 拥有海量的数据资源且已训练好,但并不是我们的目标任务,任务 B 是我们的目标任务。
下面的网络模型假设是已训练好的1000个类别模型
而B任务假设是某个具体场景如250个类别的食物识别,那么该怎么去做
- 1、建立自己的网络,在A的基础上,修改最后输出结构,并加载A的模型参数
- 2、根据数据大小调整
- 如果B任务数据量小,那么我们可以选择将A模型的所有的层进行freeze(可以通过Tensorflow的
trainable=False
参数实现),而剩下的输出层部分可以选择调整参数训练 - 如果B任务的数据量大,那么我们可以将A中一半或者大部分的层进行freeze,而剩下部分的layer可以进行新任务数据基础上的微调。
- 如果B任务数据量小,那么我们可以选择将A模型的所有的层进行freeze(可以通过Tensorflow的
2. 迁移学习案例
请参考:【迁移学习】案例:Keras基于VGG对五种图片类别识别
加油!
感谢!
努力!
以上是关于CNN网络实战技巧迁移学习(Transfer Learning)的主要内容,如果未能解决你的问题,请参考以下文章
美团云TensorFlow 迁移学习识花实战案例(Transfer Learning)