Öğrenmeyi aktarma

  • 5 dakika

Benzer, aktarılabilir bir beceride zaten uzmanlığınız varsa, hayatta yeni bir beceri öğrenmek genellikle daha kolaydır. Örneğin, araba kullanmayı zaten öğrenmiş olan birine otobüs kullanmayı öğretmek muhtemelen daha kolaydır. Sürücü, zaten bir arabada öğrendikleri sürüş becerilerine sahip olabilir ve bunları bir otobüs sürmeye uygulayabilir.

Derin öğrenme modellerini eğitmek için de aynı ilke, öğrenme aktarımıadlı bir teknikle uygulanabilir.

Öğrenme aktarımı nasıl çalışır?

Görüntü sınıflandırması için Convolutional Nural Network (CNN), genellikle özellikleri ayıklayan ve ardından görüntüleri bu özelliklere göre sınıflandırmak için son bir tam bağlı katman kullanan birden çok katmandan oluşur.

Bir dizi özellik ayıklama katmanından ve tam bağlantılı tahmin katmanından oluşan bir CNN

Kavramsal olarak, bu sinir ağı iki ayrı katman kümesinden oluşur:

  1. temel modelden özellik ayıklamagerçekleştiren bir katman kümesi.
  2. Tam bağlı bir katmandır, ayıklanan özellikleri alarak bunları sınıf tahminiiçin kullanır.

Özellik ayıklama katmanları, bunları ayırt etmek için kullanılabilecek görüntülerdeki kenarları, köşeleri ve diğer desenleri vurgulayan kıvrımlı filtreler ve havuzlama uygular ve teoride ağın giriş katmanıyla aynı boyutlara sahip tüm görüntü kümelerinde çalışmalıdır. Tahmin katmanı, özellikleri, görüntüleri sınıflandırmak için kullanmak istediğiniz her sınıf etiketi için olasılıkları temsil eden bir çıkış kümesiyle eşler.

Ağı bu katman türlerine ayırarak, zaten eğitilmiş bir modelden özellik ayıklama katmanlarını alabilir ve görüntüleriniz için uygun sınıf etiketlerinin tahmini için ayıklanan özellikleri kullanmak üzere bir veya daha fazla katman ekleyebiliriz. Bu yaklaşım, özellik ayıklama katmanları için önceden eğitilmiş ağırlıkları tutmanızı sağlar. Bu, yalnızca eklediğiniz tahmin katmanlarını eğitmeniz gerektiği anlamına gelir.

Görüntü sınıflandırması için öğrenme aktarımı için temel model olarak kullanabileceğiniz birçok yerleşik konvolüsyonel sinir ağı mimarisi vardır, böylece başka birinin etkili bir görüntü sınıflandırma modelini kolayca oluşturmak için daha önce yapmış olduğu işleri temel alabilirsiniz.