Reserve a data! O Google I / O retorna de 18 a 20 de maio Registre-se agora
Esta página foi traduzida pela API Cloud Translation.
Switch to English

O que é aprendizagem por transferência?

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. A aprendizagem por 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 dentro de 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 exigia.

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

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