บันทึกวันที่! Google I / O ส่งคืนวันที่ 18-20 พฤษภาคม ลงทะเบียนเลย
หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

Transfer Learning คืออะไร?

โมเดลการเรียนรู้เชิงลึกที่ซับซ้อนมีพารามิเตอร์ (น้ำหนัก) นับล้านและการฝึกอบรมตั้งแต่เริ่มต้นมักต้องใช้ข้อมูลจำนวนมากของทรัพยากรคอมพิวเตอร์ การถ่ายโอนการเรียนรู้เป็นเทคนิคที่ใช้ทางลัดได้มากโดยการนำแบบจำลองที่ได้รับการฝึกฝนมาแล้วในงานที่เกี่ยวข้องและนำกลับมาใช้ใหม่ในรูปแบบใหม่

ตัวอย่างเช่นบทช่วยสอนถัดไปในส่วนนี้จะแสดงวิธีสร้างโปรแกรมจดจำภาพของคุณเองโดยใช้ประโยชน์จากแบบจำลองที่ได้รับการฝึกฝนมาแล้วให้จดจำวัตถุชนิดต่างๆกว่า 1,000 ชนิดภายในภาพ คุณสามารถปรับความรู้ที่มีอยู่ในแบบจำลองที่ได้รับการฝึกอบรมมาแล้วเพื่อตรวจจับคลาสรูปภาพของคุณเองโดยใช้ข้อมูลการฝึกอบรมน้อยกว่าโมเดลเดิม

สิ่งนี้มีประโยชน์สำหรับการพัฒนาโมเดลใหม่อย่างรวดเร็วรวมถึงการปรับแต่งโมเดลในสภาพแวดล้อมที่ จำกัด ทรัพยากรเช่นเบราว์เซอร์และอุปกรณ์เคลื่อนที่

บ่อยที่สุดเมื่อทำการเรียนรู้แบบโอนเราจะไม่ปรับน้ำหนักของโมเดลเดิม แต่เราลบเลเยอร์สุดท้ายและฝึกโมเดลใหม่ (มักจะค่อนข้างตื้น) ที่ด้านบนของเอาต์พุตของโมเดลที่ถูกตัดทอน นี่คือเทคนิคที่คุณจะเห็นในบทช่วยสอนในส่วนนี้