李宏毅机器学习笔记12(Transfer Learning)

Transfer Learning

1、什么是迁移学习

2、如何实现迁移学习

  1)source有label,target有label

    一、model fine-tuning(模型微调)

      方法一、conservative training(保守训练)

      方法二、layer transfer(层迁移)

    二、Multitask Learning(所任务学习)     

  2)source有label,target无label

    一、Domain-Adversial training (领域对抗训练)

    二、zero-shot-learning(零样本学习)

 

1、什么是迁移学习  

  迁移学习适用于:训练数据中,

  •  target data:相关的数据,很少
  •  source data:不直接相关的,很多 

  迁移学习两大任务:

  •  source data是相似的领域,要做不同的任务
  •     source data是不同的领域,要做相同的任务

  比如说,现在要做猫狗分类:

  •  source data是一些大象和老虎(动物领域),用训练大象老虎分类的模型去识别猫狗
  •     source data是一些卡通的猫和狗(不同领域),用卡通猫狗的训练模型去识别target data的猫狗

 

               

 

 

2、如何实现迁移学习  

  

    

 

  1)source有label,target有label
    一、model fine-tuning(模型微调)

      思想:用source data去训练好模型,再用target data微调模型

         

        

 

      方法一、conservative training(保守训练)
          

          如果你直接拿这些去train的话就坏掉了。你可以在training的时候加一些限制(正则化),让新的model跟旧的model不要差太多

         

 

      方法二、layer transfer(层迁移)


      把source data训练好的模型的其中几层直接copy,用target data 训练剩下没copy的层即可

     

 

     复制哪些层是有讲究的:

     语音识别中:一般迁移后几层,因为后几层可能做的是根据人的发音方式做识别;

     图像识别中:一般迁移前几层,因为前几层做的事情可能就是一些直线、曲线等通用图形。

   

     

 

    二、Multitask Learning(所任务学习)   

 
       多任务学习跟fine tuning不同是:在fine tuning里面我们care target domain做的好不好,那在多任务学习里面我们同时care target domain跟source domain做的好不好 

 

                    

 

 

  2)source有label,target无label

 

    一、Domain-Adversial training (领域对抗训练)

    
      比如现在要做不同领域相同任务的事情 :

     思想:既然是不同领域,那么就减少不同领域的特征差异

      把一个neural network当做feature extract,neural network前面几层我们可以看做是抽feature,后面几层可以看做classification

 

                       

    

    Domain-Adversial training网络结构:

 

    蓝色label predictor:做的事情是把class分类做的正确率越高越好,

    红色domain classifier:做的事情是想正确predict image是属于哪个domain。

    绿色feature extractor:想要做的事情是:要同时improve label predictor,同时想要minimize domain classifier accuracy

 

    

 

    二、zero-shot-learning(零样本学习)

      比如现在要做的事情是:用相同领域数据,做不同的任务

      思想:找到相同领域数据中更小的attribute(属性)

 

                   

 

      具体如何训练

    

 

posted @ 2019-08-26 14:25  zr-zhang2019  阅读(1795)  评论(0编辑  收藏  举报