Attend the Women in ML Symposium on December 7 Register now

O que é aprendizagem de transferência?

Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências.

Modelos sofisticados de aprendizado profundo têm milhões de parâmetros (pesos) e treiná-los do zero geralmente requer grandes quantidades de dados de recursos de computação. O aprendizado de transferência é uma técnica que reduz muito disso, pegando um pedaço de um modelo que já foi treinado em uma tarefa relacionada e reutilizando-o em um novo modelo.

Por exemplo, o próximo tutorial nesta seção mostrará como construir seu próprio reconhecedor de imagem que tira proveito de um modelo que já foi treinado para reconhecer milhares de diferentes tipos de objetos em imagens. Você pode adaptar o conhecimento existente no modelo pré-treinado para detectar suas próprias classes de imagem usando muito menos dados de treinamento do que o modelo original necessário.

Isso é útil para desenvolver rapidamente novos modelos, bem como personalizar modelos em ambientes com recursos limitados, como navegadores e dispositivos móveis.

Na maioria das vezes, ao fazer o aprendizado de transferência, não ajustamos os pesos do modelo original. Em vez disso, removemos a camada final e treinamos um novo modelo (geralmente bastante superficial) em cima da saída do modelo truncado. Esta é a técnica que você verá demonstrada nos tutoriais desta seção.