Google I/O — это обертка! Наверстать упущенное в сеансах TensorFlow Просмотреть сеансы

Что такое трансферное обучение?

Сложные модели глубокого обучения имеют миллионы параметров (весов), и для их обучения с нуля часто требуются большие объемы данных о вычислительных ресурсах. Трансферное обучение - это метод, который во многом сокращает это, беря часть модели, которая уже была обучена для связанной задачи, и повторно используя ее в новой модели.

Например, следующий учебник в этом разделе покажет вам, как создать свой собственный распознаватель изображений, который использует преимущества модели, которая уже была обучена распознавать тысячи различных типов объектов в изображениях. Вы можете адаптировать существующие знания в предварительно обученной модели для обнаружения собственных классов изображений, используя гораздо меньше обучающих данных, чем требовалось в исходной модели.

Это полезно для быстрой разработки новых моделей, а также для настройки моделей в средах с ограниченными ресурсами, таких как браузеры и мобильные устройства.

Чаще всего при переносе обучения мы не корректируем веса исходной модели. Вместо этого мы удаляем последний слой и обучаем новую (часто довольно мелкую) модель поверх выходных данных усеченной модели. Это метод, который вы увидите продемонстрированным в обучающих материалах в этом разделе.