Google I/O یک بسته بندی است! با جلسات TensorFlow آشنا شوید جلسات را مشاهده کنید

یادگیری انتقالی چیست؟

مدل های پیشرفته یادگیری عمیق میلیون ها پارامتر (وزن) دارند و آموزش آنها از ابتدا اغلب به داده های زیادی از منابع محاسباتی نیاز دارد. انتقال یادگیری تکنیکی است که با گرفتن قطعه ای از مدل که قبلاً در مورد یک کار مرتبط آموزش دیده است و استفاده مجدد از آن در مدل جدید ، بسیاری از این موارد را میانبر می کند.

به عنوان مثال ، آموزش بعدی در این بخش به شما نشان می دهد که چگونه می توانید تشخیص دهنده تصویر خود را بسازید که از مدلی که قبلاً آموزش دیده بود برای شناسایی هزاران نوع مختلف از اشیا در تصاویر استفاده می کند. شما می توانید دانش موجود را در مدل از قبل آموزش دیده با استفاده از داده های آموزشی بسیار کمتر از مدل اصلی مورد نیاز ، کلاسهای تصویر خود را تشخیص دهید.

این مورد برای توسعه سریع مدل های جدید و همچنین سفارشی سازی مدل ها در محیط های آلوده به منابع مانند مرورگرها و دستگاه های تلفن همراه مفید است.

غالباً هنگام یادگیری انتقال ، وزن مدل اصلی را تنظیم نمی کنیم. در عوض ما لایه نهایی را برداشته و یک مدل جدید (اغلب نسبتاً کم عمق) را در بالای خروجی مدل کوتاه شده آموزش می دهیم. این روشی است که در آموزشهای این بخش مشاهده خواهید کرد.