3月4日迁移学习使深度学习训练的要求大大降低
假设一位 AI 工程师想要创建一个图像分类器神经网络来解决特定问题。工程师无需收集成千上万张图像,而是可以使用 ImageNet 等公开可用的数据集之一,并使用特定领域的照片对其进行增强。
但是人工智能工程师仍然必须支付巨额费用来租用通过神经网络运行数百万张图像所需的计算资源。这就是迁移学习发挥作用的地方。迁移学习是通过微调先前训练的神经网络来创建新的 AI 模型的过程。
开发人员无需从头开始训练他们的神经网络,而是可以下载预训练的开源深度学习模型,并根据自己的目的对其进行微调。有许多预训练的基础模型可供选择。流行的例子包括 AlexNet、谷歌的 Inception-v3 和微软的 ResNet-50。这些神经网络已经在 ImageNet 数据集上进行了训练。人工智能工程师只需要通过使用自己的特定领域示例进一步训练它们来增强它们。
迁移学习不需要大量的计算资源。在大多数情况下,一台像样的台式电脑或一台功能强大的笔记本电脑可以在几个小时甚至更短的时间内微调一个预训练的神经网络。