transfer learning and fine tuning

transfer learning / fine tuning

卷積神經網絡需要大量的數據和資源來進行訓練, 例如, imagenet ILSVRC model 是需要在1.2 million 張圖片,利用多GPU,耗時2-3個周的訓練才能完成.
transfer learning 是將在之前任務(例如image net)訓練過的網絡權值,遷移到一個新任務上去. 研究者們或者參與者們已經更習慣于, 而非偶爾使用transfer learning and fine-tuning.
而且, 遷移學習和fine-tuning 策略確實表現得不俗. Razavian et al (2014)的實驗表明,簡單的使用從 image net ILSVRC訓練的到的模型來進行特征提取, 利用提取到的特征來訓練新的模型.利用這樣的策略進行一系列的計算機視覺任務,他們得到了state-of-the-art或者說接近state-of-the-art的實驗結果.

  • trainsfer learning: 利用在image net(或其他數據集)上訓練的網絡. 去掉最后的fully-connected layer. 然后將網絡剩余部分當做一個feature extractor, 以用于其他新的數據. 一旦利用該網絡對所有圖片提取到了特征. 可以用這些特征訓練一個新的classifier.
  • Fine-tuning: 去掉并重新訓練網絡上層的全連接層, 并且微調網絡其余部分的權重.

使用哪種策略

  • 有兩點因素需要考慮
    1. 你所用數據的規(guī)模
    2. 你所用數據庫和已訓練網絡數據庫之間的相似性.


      Taken from http://cs231n.github.io/
  • 用自己的數據從零開始訓練網絡, 這個策略也得考慮.

根據以上表格, 情況分為四種:

  • 相似數據集 & 小規(guī)模數據集(你的數據集): 遷移高層特征(盡量去除已有網絡高層的全連接層, 將剩余部分作為分類器), 利用網絡提取特征, 然后訓練分類器. 不進行fine-tuning, 避免了在小規(guī)模數據集上帶來overfit問題, 使用提取的高層特征, 是利用了兩個數據庫之前的相似性.
  • 非相似 & 小規(guī)模數據庫: 遷移底層特征, 提取特征訓練數據庫. 不建議進行fine-tuning,是為了避免在大數據庫上訓練的特征會給小數據集的訓練帶來overfit. 使用底層的特征是以為底層的特征一般比較general.
  • 相似數據集 & 大規(guī)模數據集: 進行fine-tuning, fine-tuning是為了避免overfit.
  • 非相似數據集 & 大規(guī)模數據集: 進行fine-tuning, fine-tuning是為了避免overfit.
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
  • 序言:七十年代末绘证,一起剝皮案震驚了整個濱河市岂座,隨后出現的幾起案子,更是在濱河造成了極大的恐慌茅信,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,743評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件吕粹,死亡現場離奇詭異匿情,居然都是意外死亡扭倾,警方通過查閱死者的電腦和手機,發(fā)現死者居然都...
    沈念sama閱讀 90,296評論 3 385
  • 文/潘曉璐 我一進店門漾唉,熙熙樓的掌柜王于貴愁眉苦臉地迎上來荧库,“玉大人,你說我怎么就攤上這事赵刑》稚溃” “怎么了?”我有些...
    開封第一講書人閱讀 157,285評論 0 348
  • 文/不壞的土叔 我叫張陵般此,是天一觀的道長蚪战。 經常有香客問我牵现,道長,這世上最難降的妖魔是什么邀桑? 我笑而不...
    開封第一講書人閱讀 56,485評論 1 283
  • 正文 為了忘掉前任施籍,我火速辦了婚禮,結果婚禮上概漱,老公的妹妹穿的比我還像新娘丑慎。我一直安慰自己,他們只是感情好瓤摧,可當我...
    茶點故事閱讀 65,581評論 6 386
  • 文/花漫 我一把揭開白布竿裂。 她就那樣靜靜地躺著,像睡著了一般照弥。 火紅的嫁衣襯著肌膚如雪腻异。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,821評論 1 290
  • 那天这揣,我揣著相機與錄音悔常,去河邊找鬼。 笑死给赞,一個胖子當著我的面吹牛机打,可吹牛的內容都是我干的。 我是一名探鬼主播片迅,決...
    沈念sama閱讀 38,960評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼残邀,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了柑蛇?” 一聲冷哼從身側響起芥挣,我...
    開封第一講書人閱讀 37,719評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎耻台,沒想到半個月后空免,有當地人在樹林里發(fā)現了一具尸體,經...
    沈念sama閱讀 44,186評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡盆耽,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,516評論 2 327
  • 正文 我和宋清朗相戀三年蹋砚,在試婚紗的時候發(fā)現自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片征字。...
    茶點故事閱讀 38,650評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡都弹,死狀恐怖娇豫,靈堂內的尸體忽然破棺而出匙姜,到底是詐尸還是另有隱情,我是刑警寧澤冯痢,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布氮昧,位于F島的核電站框杜,受9級特大地震影響,放射性物質發(fā)生泄漏袖肥。R本人自食惡果不足惜咪辱,卻給世界環(huán)境...
    茶點故事閱讀 39,936評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望椎组。 院中可真熱鬧油狂,春花似錦、人聲如沸寸癌。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,757評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽蒸苇。三九已至磷蛹,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間溪烤,已是汗流浹背味咳。 一陣腳步聲響...
    開封第一講書人閱讀 31,991評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留檬嘀,地道東北人槽驶。 一個月前我還...
    沈念sama閱讀 46,370評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像鸳兽,于是被迫代替她去往敵國和親捺檬。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 43,527評論 2 349

推薦閱讀更多精彩內容