Apa itu pembelajaran transfer?

Model deep learning yang canggih memiliki jutaan parameter (bobot) dan melatihnya dari awal sering kali memerlukan data resource komputasi dalam jumlah besar. Pembelajaran transfer adalah teknik yang memotong sebagian besar hal ini dengan mengambil bagian dari model yang telah dilatih tentang tugas terkait dan menggunakannya kembali dalam model baru.

Misalnya, tutorial berikutnya di bagian ini akan menunjukkan kepada Anda cara membuat pengenal gambar Anda sendiri yang memanfaatkan model yang sudah dilatih untuk mengenali 1000-an jenis objek yang berbeda di dalam gambar. Anda dapat menyesuaikan pengetahuan yang ada dalam model terlatih untuk mendeteksi kelas gambar Anda sendiri menggunakan data pelatihan yang jauh lebih sedikit daripada model asli yang diperlukan.

Ini berguna untuk mengembangkan model baru dengan cepat serta menyesuaikan model di lingkungan dengan sumber daya terbatas seperti browser dan perangkat seluler.

Paling sering saat melakukan transfer learning, kami tidak menyesuaikan bobot model aslinya. Sebagai gantinya, kita menghapus lapisan terakhir dan melatih model baru (seringkali cukup dangkal) di atas keluaran model yang terpotong. Ini adalah teknik yang akan Anda lihat ditunjukkan dalam tutorial di bagian ini.