深度学习笔记-2.迁移学习(Transfer Learning)_迁移学习 csdn

一，迁移学习是什么？

        别处学得的知识，迁移到新场景的能力，就是“迁移学习”。具体在实践中体现为：将 A任务上 预训练好的模型 放在B任务上，加上少量B任务训练数据，进行微调 。

 

二，与传统学习的比较

       传统学习中，我们会给不同任务均提供足够的数据，以分别训练出不同的模型：

       但是如果 新任务 和旧任务类似，同时 新任务 缺乏足够数据 去从头训练一个新模型，那该怎么办呢？

       迁移学习所做的事，就是将旧任务上训练好的模型拿过来放在新任务上，再加上点少量数据稍微调一调，效果往往并不输海量数据下的从头训练： 

        这是因为A任务和B任务很多共同特征：

        迁移学习试图把处理A任务获取的知识，应用于B任务中。此时因为B任务中的大部分特征已经被A任务中预训练好的模型学得了，相当于提前完成了B任务中大部分的活儿，那么B任务自然只需再提供少量数据，即可炼得新模型。

 

 三，迁移学习的必要性和价值体现在：

• 1. 复用现有知识域数据，已有的大量工作不至于完全丢弃；

• 2. 不需要再去花费巨大代价去重新采集和标定庞大的新数据集，也有可能数据根本无法获取；

• 3. 对于快速出现的新领域，能够快速迁移和应用，体现时效性优势；

 

四，影响

       2016年的 NIPS 会议上，吴恩达 给出了一个未来 AI方向的技术发展图，还是很客观的。

       迁移学习被视为未来的几个重要研究领域之一， 毋庸置疑，监督学习是目前成熟度最高的，可以说已经成功商用，而下一个商用的技术 将会是 迁移学习（Transfer Learning），这也是 Andrew 预测未来五年最有可能走向商用的 AI技术。： 

       目前，大部分的模型训练都是 迁移学习 ，已经很少有人从头开始新训练一个模型了。比如基于深度网络的Detection算法，都是在用ImageNet训好的basemodel上，再用COCO或者自己的数据集fine-tune个20epoch足以。

 

五，迁移学习四种实现方法 

5.1. 样本迁移 Instance-based Transfer Learning

       一般是对样本进行加权，给比较重要的样本较大的权重。 样本迁移即在数据集（源领域）中找到与目标领域相似的数据，把这个数据放大多倍，与目标领域的数据进行匹配。其特点是：需要对不同例子加权；需要用数据进行训练。

5.2. 特征迁移 Feature-based Transfer Learning

       在特征空间进行迁移，一般需要把源领域和目标领域的特征投影到同一个特征空间里进行。特征迁移是通过观察源领域图像与目标域图像之间的共同特征，然后利用观察所得的共同特征在不同层级的特征间进行自动迁移。

5.3. 模型迁移 Model-based Transfer Learning

       整个模型应用到目标领域去，比如目前常用的对预训练好的深度网络做微调，也可以叫做参数迁移。模型迁移利用上千万的图象训练一个图象识别的系统，当我们遇到一个新的图象领域，就不用再去找几千万个图象来训练了，可以原来的图像识别系统迁移到新的领域，所以在新的领域只用几万张图片同样能够获取相同的效果。模型迁移的一个好处是可以和深度学习结合起来，我们可以区分不同层次可迁移的度，相似度比较高的那些层次他们被迁移的可能性就大一些。

5.4. 关系迁移 Relational Transfer Learning

      社会网络，社交网络之间的迁移。

六，参考文章：

1. https://blog.csdn.net/jiandanjinxin/article/details/54133521
2. https://blog.csdn.net/JNingWei/article/details/79247546

 

欢迎扫码关注我的微信公众号