Una guida pratica per trasferire l’apprendimento nella classificazione delle immagini
In questo post esamineremo il concetto di trasferire l’apprendimentoe ne vedremo un esempio in compito di classificazione delle immagini.
Il transfer learning è una tecnica del deep learning in cui vengono utilizzati modelli pre-addestrati formati su set di dati su larga scala per risolvere nuove attività con dati etichettati limitati.
Si tratta di prendere un modello pre-addestrato, che ha appreso rappresentazioni di funzionalità ricche e generalizzate da un’attività di origine, e perfezionarlo su un’attività di destinazione.
Ad esempio, ImageNet, che è un set di dati di grandi dimensioni (14 milioni di immagini di 1000 classi), viene spesso utilizzato per addestrare reti neurali convoluzionali di grandi dimensioni come VGGNet o ResNet.
Se formiamo queste reti come ImageNet, questi modelli imparano a estrarre funzionalità potenti e informative. Chiamiamo questa formazione pre-allenamento e questi modelli lo sono pre-addestrato su ImageNet. Tieni presente che sono addestrati per l’attività di classificazione delle immagini su ImageNet. Lo chiamiamo il compito di origine.
Per trasferire l’apprendimento su una nuova attività che chiamiamo compito di destinazioneprima di tutto dobbiamo avere il nostro set di dati etichettato che si chiama set di dati di destinazione. Il set di dati di destinazione è spesso molto più piccolo del set di dati di origine. Il nostro set di dati di origine qui era enorme (ha 14 milioni di immagini).
Quindi, prendiamo questi modelli pre-addestrati e tagliamo il livello di classificazione finale, aggiungiamo un nuovo livello di classificazione alla fine e li addestriamo sul nostro set di dati di destinazione. Quando ci alleniamo, congeliamo tutti gli strati tranne l’ultimo strato, di conseguenza vengono addestrati pochissimi parametri e quindi l’addestramento avviene rapidamente. E voilà! abbiamo effettuato il trasferimento dell’apprendimento.
Il secondo addestramento seguito dal modello si chiama ritocchi. Come abbiamo visto, durante la messa a punto, la maggior parte dei pesi pre-addestrati vengono congelati e solo i livelli finali vengono adattati al nuovo set di dati.
Vantaggi del trasferimento di apprendimento
I principali vantaggi dell’apprendimento trasferito sono che consente di sfruttare l’esperienza già sviluppata in modelli pre-addestrati, evitando quindi di addestrare modelli di grandi dimensioni da zero. Riduce inoltre la necessità di grandi…
Fonte: towardsdatascience.com
