ถ่ายโอนการเรียนรู้
ในชีวิตมักจะง่ายกว่าที่จะเรียนรู้ทักษะใหม่ ถ้าคุณมีความเชี่ยวชาญในทักษะที่คล้ายคลึงกันและสามารถโอนได้ ตัวอย่างเช่นการสอนคนขับรถเป็นวิธีที่ง่ายกว่าถ้าพวกเขาได้เรียนรู้วิธีการขับรถ คนขับสามารถสร้างทักษะการขับรถที่พวกเขาได้เรียนรู้แล้วในรถยนต์และนําไปใช้เพื่อขับรถ
หลักการเดียวกันนี้สามารถนําไปใช้กับการฝึกแบบจําลองการเรียนรู้เชิงลึกผ่านเทคนิคที่เรียกว่า การเรียนรู้การถ่ายโอน
การเรียนรู้การถ่ายโอนทํางานอย่างไร
Convolutional Neural Network (CNN) สําหรับการจําแนกประเภทรูปภาพมักประกอบด้วยหลายเลเยอร์ที่แยกคุณลักษณะจากนั้นใช้เลเยอร์เชื่อมต่ออย่างสมบูรณ์เพื่อจัดประเภทรูปภาพตามคุณลักษณะเหล่านี้
ตามแนวคิดแล้ว เครือข่ายประสาทนี้ประกอบด้วยเลเยอร์ที่แตกต่างกันสองชุด:
- ชุดของเลเยอร์จากแบบจําลองพื้นฐานที่ดําเนินการแยกคุณลักษณะ
- เลเยอร์การเชื่อมต่อเต็มรูปแบบที่ใช้คุณลักษณะที่แยกออกมาและใช้สําหรับคลาส การคาดการณ์
เลเยอร์การสกัดคุณลักษณะใช้ตัวกรองแบบต่อเนื่องและการรวมกลุ่มเพื่อเน้นขอบมุมและรูปแบบอื่น ๆ ในรูปภาพที่สามารถใช้เพื่อแยกความแตกต่างได้และในทางทฤษฎีควรทํางานกับรูปภาพที่มีมิติเดียวกันกับชั้นอินพุตของเครือข่าย เลเยอร์การคาดการณ์จะแมปคุณลักษณะกับชุดเอาต์พุตที่แสดงถึงความน่าจะเป็นสําหรับป้ายชื่อแต่ละชั้นที่คุณต้องการใช้เพื่อจัดประเภทรูปภาพ
ด้วยการแยกเครือข่ายออกเป็นเลเยอร์ประเภทเหล่านี้ เราสามารถใช้เลเยอร์การแยกคุณลักษณะจากแบบจําลองที่ได้รับการฝึกและผนวกหนึ่งเลเยอร์ขึ้นไปเพื่อใช้คุณลักษณะที่แยกออกมาเพื่อการคาดการณ์ป้ายชื่อระดับชั้นที่เหมาะสมสําหรับรูปภาพของคุณ วิธีนี้ช่วยให้คุณสามารถเก็บน้ําหนักที่ได้รับการฝึกไว้ล่วงหน้าสําหรับเลเยอร์การแยกคุณลักษณะซึ่งหมายความว่าคุณจําเป็นต้องฝึกเลเยอร์การคาดการณ์ที่คุณเพิ่มเข้าไปเท่านั้น
มีสถาปัตยกรรมเครือข่ายประสาทที่สร้างขึ้นมากมายสําหรับการจัดประเภทภาพที่คุณสามารถใช้เป็นแบบจําลองพื้นฐานสําหรับการถ่ายโอนการเรียนรู้เพื่อให้คุณสามารถสร้างงานที่บุคคลอื่นได้ทําแล้วเพื่อสร้างแบบจําลองการจัดประเภทภาพที่มีประสิทธิภาพได้อย่างง่ายดาย