简介
英文: transfer learning
以已训练好的模型A为起点,在新场景中,根据新数据建立模型B
目的:将某个领域或任务上学习到的知识或模式,应用到不同但相关的领域或问题中。
-
特征提取
使用模型A,移除输出层,提取目标特征信息 -
结构引用
使用模型A的结构,重新/二次训练权重系数参数 -
部分训练
使用模型A的结构,重新训练部分层的权重系数参数
迁移学习对样本数据量需求相对较少
待更新参数较少,训练速度快
通常会比很多全新的模型有更好的表现
给已经训练好的模型输入新的数据,模型将进行更新,适应新数据的趋势
目的:针对新数据,在不需要对全数据集进行再次训练的基础上,上线模型更新
适合场景:场景中有连续的数据流
特点:不改变
---------------------------我的天空里没有太阳,总是黑夜,但并不暗,因为有东西代替了太阳。虽然没有太阳那么明亮,但对我来说已经足够。凭借着这份光,我便能把黑夜当成白天。我从来就没有太阳,所以不怕失去。
--------《白夜行》