算法迁移学习 学习笔记"/>
七月算法迁移学习 学习笔记
迁移学习定义:将在一个场景中学习到的知识迁移到另一个场景应用Kaggle猫狗分类比赛
相同domain不同任务:老鹰&布谷鸟
不同domains相似任务:高飞狗&招财猫
为什么要迁移学习?
Ø 使用深度学习技术解决问题的过程中,最常见的障碍在于,因为模型有大量
的参数需要训练,因此需要海量训练数据作支撑。
Ø 在面对某一领域的具体问题时,通常可能无法得到构建模型所需规模的数据。
Ø 借助迁移学习,在一个模型训练任务中针对某种类型数据获得的关系也可以
轻松地应用于同一领域的不同问题。
迁移学习一览
一、模型Fine-tune
• 任务状况
• 例子:(有监督学习)电商小品类商品识别
• 源数据:Imagenet多种物体图片
• 目标数据:电商小品类商品图片
• 基本思想:1)由原始的imagenet图像训练一个模型,在自己数据集上。2)可能的问题:在小量调优数据上可能过拟合
保守训练/Conservative Training
层迁移/Layer Transfer
• 我们应该拷贝(复用)那些层呢?1)语音:通常是最后一些层 2)图像:通常是开始的一些层
二、Multitask Learning
多语种语音识别
渐进式神经网络/Progressive Neural Networks
任务描述
相同任务,不同数据
域对抗/Domain-adversarial training
/%E8%8D%89%E6%B3%A5%E9%A6%AC
不同任务
• 通过属性来表征类
没有数据库怎么办?• 属性embedding+词embedding
零样本学习的典型应用
五、Self-taught learning
• 尝试通过无监督方法从源数据抽取更好的表达
• 对目标数据也进行更好地表达
六、更多零样本学习的paper
更多推荐
七月算法迁移学习 学习笔记
发布评论