Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

Cos'è il transfer learning?

I sofisticati modelli di deep learning hanno milioni di parametri (pesi) e l'addestramento da zero spesso richiede grandi quantità di dati delle risorse di elaborazione. Il transfer learning è una tecnica che accorcia gran parte di questo prendendo un pezzo di un modello che è già stato addestrato su un'attività correlata e riutilizzandolo in un nuovo modello.

Ad esempio, il prossimo tutorial in questa sezione ti mostrerà come costruire il tuo riconoscitore di immagini che sfrutta un modello che è già stato addestrato per riconoscere migliaia di diversi tipi di oggetti all'interno delle immagini. È possibile adattare le conoscenze esistenti nel modello pre-addestrato per rilevare le proprie classi di immagini utilizzando molti meno dati di addestramento rispetto al modello originale richiesto.

Ciò è utile per lo sviluppo rapido di nuovi modelli e per la personalizzazione di modelli in ambienti con risorse limitate come browser e dispositivi mobili.

Molto spesso, quando si esegue l'apprendimento del trasferimento, non si regolano i pesi del modello originale. Invece, rimuoviamo lo strato finale e addestriamo un nuovo modello (spesso abbastanza superficiale) sopra l'output del modello troncato. Questa è la tecnica che vedrai dimostrata nei tutorial in questa sezione.