(更新中) 迁移学习概述

1.什么是迁移学习(What)

迁移学习是指把别处学来的知识，迁移到新的场景中。具体实践中，就是指将 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 。

2.为什么要使用迁移学习(Why)

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？

这时就需要使用高效且省事的迁移学习了，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：

这是由于新任务B和旧任务A具有很多相似的特征，如

3.迁移学习发展

迁移学习被视为未来的几个重要研究领域之一：

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训练好的base model上，再用COCO或者自己的数据集微调(fine-tune)20个epoch左右足以。

• 一个epoch等于遍历该数据集所有图片一遍。
• 只需要在COCO上fine-tune20个epoch足矣的原因，是因为basemodel已经在ImageNet上训练了几十轮。因此再经过COCO的fine-tune，此时模型就已经得到了 几十 + 20轮 的训练了。
• CVPR2018 Best Paper 就是关于Transfer Learning的研究。

4.怎样实现迁移学习(How)

 

 

参考链接：

[1]: https://blog.csdn.net/JNingWei/article/details/79247546

[2]: http://lamda.nju.edu.cn/weixs/book/CNN_book.html

[3]: https://www.leiphone.com/news/201704/K8QDO71QkJuqxFh5.html

[4]: https://blog.csdn.net/lqfarmer/article/details/73195060

[5]: https://blog.csdn.net/jiandanjinxin/article/details/54133521