59、大数据的利用：从迁移学习到图像分类与无监督学习

大数据的利用：从迁移学习到图像分类与无监督学习

1. 迁移学习与微调

从头构建卷积神经网络（CNN）需要大量的数据、专业知识和计算能力。幸运的是，许多拥有数据和计算资源的大型组织已经构建了图像、文本和音频分类模型，并与数据科学社区共享。通过迁移学习，深度学习模型可以从一个场景适应到另一个场景。不仅可以将保存的模型应用于与训练时相似的问题，还可能对原始领域之外的问题有用。

例如，一个经过训练以识别卫星照片中濒危大象物种的神经网络，也可能用于识别战区上方红外无人机图像中坦克的位置。

如果知识不能直接迁移到新任务，可以通过微调过程，使用额外的训练来优化预训练的神经网络。以一个通用的图像分类模型为例，它可以识别10,000类对象，对其进行微调以擅长识别单一类型的对象，不仅可以减少所需的训练数据和计算能力，还可能比仅在单一类图像上训练的模型具有更好的泛化能力。

Keras可用于迁移学习和微调，通过下载带有预训练权重的神经网络。可用的预训练模型列表可在 https://keras.io/api/applications/ 找到，一个微调图像处理模型以更好地预测猫和狗的示例可在 https://tensorflow.rstudio.com/guides/keras/transfer_learning 找到。

为了更好地理解CNN中的层，可以查