استفاده از مدل های از پیش آموزش دیده
آموزش یک شبکه عصبی کانولوشن برای انجام وظایف طبقه بندی تصویر معمولاً به مقدار بسیار زیادی از داده های آموزشی نیاز دارد و می تواند بسیار زمان بر باشد و تکمیل آن روزها یا حتی هفته ها طول بکشد. اما اگر بتوانید از مدل‌های تصویر موجود آموزش‌دیده بر روی مجموعه داده‌های عظیم، مانند TensorFlow-Slim استفاده کنید و آن‌ها را برای استفاده در وظایف طبقه‌بندی خود تطبیق دهید، چه؟
یکی از تکنیک‌های رایج برای استفاده از مدل‌های از پیش آموزش‌دیده، استخراج ویژگی است : بازیابی نمایش‌های میانی تولید شده توسط مدل از پیش آموزش‌دیده، و سپس وارد کردن این نمایش‌ها به یک مدل جدید به عنوان ورودی. برای مثال، اگر در حال آموزش یک مدل طبقه‌بندی تصویر برای تشخیص انواع مختلف سبزیجات هستید، می‌توانید تصاویر آموزشی از هویج، کرفس و غیره را در یک مدل از پیش آموزش دیده قرار دهید و سپس ویژگی‌ها را از لایه کانولوشن نهایی آن استخراج کنید. که تمام اطلاعاتی را که مدل در مورد ویژگی های سطح بالاتر تصاویر آموخته است شامل می شود: رنگ، بافت، شکل و غیره. سپس، هنگام ساخت مدل طبقه بندی جدید خود، به جای شروع با پیکسل های خام، می توانید از این ویژگی های استخراج شده به عنوان ورودی استفاده کنید. و لایه های طبقه بندی کاملا متصل خود را در بالا اضافه کنید. برای افزایش عملکرد هنگام استفاده از استخراج ویژگی با یک مدل از پیش آموزش دیده، مهندسان اغلب پارامترهای وزن اعمال شده بر ویژگی های استخراج شده را به خوبی تنظیم می کنند.
برای کاوش عمیق تر در مورد استخراج ویژگی و تنظیم دقیق هنگام استفاده از مدل های از پیش آموزش دیده، تمرین زیر را ببینید.
،استفاده از مدل های از پیش آموزش دیده
آموزش یک شبکه عصبی کانولوشن برای انجام وظایف طبقه بندی تصویر معمولاً به مقدار بسیار زیادی از داده های آموزشی نیاز دارد و می تواند بسیار زمان بر باشد و تکمیل آن روزها یا حتی هفته ها طول بکشد. اما اگر بتوانید از مدل‌های تصویر موجود آموزش‌دیده بر روی مجموعه داده‌های عظیم، مانند TensorFlow-Slim استفاده کنید و آن‌ها را برای استفاده در وظایف طبقه‌بندی خود تطبیق دهید، چه؟
یکی از تکنیک‌های رایج برای استفاده از مدل‌های از پیش آموزش‌دیده، استخراج ویژگی است : بازیابی نمایش‌های میانی تولید شده توسط مدل از پیش آموزش‌دیده، و سپس وارد کردن این نمایش‌ها به یک مدل جدید به عنوان ورودی. برای مثال، اگر در حال آموزش یک مدل طبقه‌بندی تصویر برای تشخیص انواع مختلف سبزیجات هستید، می‌توانید تصاویر آموزشی از هویج، کرفس و غیره را در یک مدل از پیش آموزش دیده قرار دهید و سپس ویژگی‌ها را از لایه کانولوشن نهایی آن استخراج کنید. که تمام اطلاعاتی را که مدل در مورد ویژگی های سطح بالاتر تصاویر آموخته است شامل می شود: رنگ، بافت، شکل و غیره. سپس، هنگام ساخت مدل طبقه بندی جدید خود، به جای شروع با پیکسل های خام، می توانید از این ویژگی های استخراج شده به عنوان ورودی استفاده کنید. و لایه های طبقه بندی کاملا متصل خود را در بالا اضافه کنید. برای افزایش عملکرد هنگام استفاده از استخراج ویژگی با یک مدل از پیش آموزش دیده، مهندسان اغلب پارامترهای وزن اعمال شده بر ویژگی های استخراج شده را به خوبی تنظیم می کنند.
برای کاوش عمیق تر در مورد استخراج ویژگی و تنظیم دقیق هنگام استفاده از مدل های از پیش آموزش دیده، تمرین زیر را ببینید.