化学工程与过程技术杂志
开放获取

抽象的

迁移学习提高深度学习模型的性能

尼姆丽塔·库尔

神经网络中的学习或训练意味着这些网络通过输入数据在多次迭代中学习其参数的最佳权重。在每个连续层，深度神经网络都会学习输入数据越来越具体的特征。深度学习中的迁移学习是指一种技术，其中我们不是从头开始训练深度神经网络的所有层，而是将现有深度神经网络先前为不同但相关的任务学到的特征，并将它们迁移到当前的神经网络作为其参数的权重。在大型数据集（例如 ImageNet）上进行预训练的网络可以捕获早期层中的曲线和边缘等通用特征。这些特征通常很有用并且与大多数分类问题相关。在这次演讲中，我们将看到当我们有非常小的数据集可用于特定问题时，迁移学习如何帮助我们提高分类任务的准确性。这在医学图像分析领域有着巨大的潜力。