Transfer Learning και Fine-tuning

2 λεπτά

Στόχος: να προσαρμόσετε ένα προεκπαιδευμένο μοντέλο με λίγα δεδομένα χωρίς να καταστρέψετε τις γνώσεις του.

Η μεταφορά ξεκινά από ένα μοντέλο εκπαιδευμένο σε μια μεγάλη πηγή και μετά το προσαρμόζει σε μια εργασία -στόχο. Οι πρώτες οπτικές ή γλωσσικές αναπαραστάσεις είναι συχνά επαναχρησιμοποιήσιμες.

Δύο καθεστώτα

  1. Παγωμένος εξαγωγέας: αντικαθιστούμε την κεφαλή και εκπαιδεύουμε μόνο αυτήν.
  2. Fine-tuning: ξεπαγώνουμε ένα μέρος ή όλο το δίκτυο με έναν γενικά μικρότερο ρυθμό.
python
from torchvision.models import resnet18, ResNet18_Weights
from torch import nn

model = resnet18(weights=ResNet18_Weights.DEFAULT)
for p in model.parameters():
    p.requires_grad = False
model.fc = nn.Linear(model.fc.in_features, 5)

Προεπισκόπηση — η συνέχεια του μαθήματος είναι διαθέσιμη στους εγγεγραμμένους.

Έχετε ήδη εγγραφεί με κωδικό;

Η πρόσβασή σας συνδέεται με τον λογαριασμό σας, όχι με αυτόν τον σύνδεσμο. Συνδεθείτε με το ίδιο email που χρησιμοποιήσατε στην τάξη: το μάθημά σας σας περιμένει, δεν χρειάζεται να ξαναβάλετε τον κωδικό.

ΣύνδεσηΔεν έχετε λογαριασμό; Δημιουργήστε έναν
Αυτό το μάθημα ανήκει στην ενότητα «Ειδικές Αρχιτεκτονικές»

Οι πρώτες ενότητες του μαθήματος είναι σε ελεύθερη πρόσβαση. Για τη συνέχεια υπάρχουν τρεις δρόμοι: αγοράστε αυτό το μάθημα μία φορά, κάντε συνδρομή, ή εισαγάγετε τον κωδικό που δόθηκε στην τάξη.

Συνδρομή — 19 $ US/μήναΕπιστροφή στο πλάνο
Είστε φοιτητής σε αυτό το μάθημα;

Ο κωδικός συνδέεται με τον λογαριασμό σας: συνδεθείτε ή δημιουργήστε λογαριασμό και θα εφαρμοστεί αυτόματα όταν επιστρέψετε.

Δεν έχετε λογαριασμό; Δημιουργήστε έναν