Wykorzystanie wytrenowanych modeli
Trenowanie splotowej sieci neuronowej w celu wykonania zadań związanych z klasyfikacją obrazów zwykle wymaga bardzo dużej ilości danych treningowych i może być bardzo czasochłonne, a czasem nawet kilka dni lub nawet tygodni. A gdyby można było wykorzystać istniejące modele obrazów wytrenowane na ogromnych zbiorach danych, na przykład TensorFlow-Slim, i dostosować je do własnych zadań związanych z klasyfikacją?
Jedną z powszechnie stosowanych metod wykorzystania wytrenowanych modeli jest wyodrębnianie cech: pobieranie przedstawień pośrednich wytrenowanych przez model, a następnie wprowadzanie ich do nowego modelu jako danych wejściowych. Jeśli na przykład trenujesz model klasyfikacji obrazów, aby rozróżniać różne rodzaje warzyw, możesz trenować obrazy marchewek, seleru itp. w wytrenowanym modelu, który zbiera z ostatecznych informacji o sprzęcie, które zbiera wszystkie informacje o obrazie, większe cechy, kolor, teksturę, kształt i funkcję, Aby zwiększyć wydajność przy wyodrębnianiu cech z użyciem wytrenowanego modelu, inżynierowie często dopasowują parametry wagi stosowane do wyodrębnionych funkcji.
Więcej informacji o wyodrębnianiu funkcji i dostrajaniu w przypadku korzystania z już wytrenowanych modeli znajdziesz w poniższym ćwiczeniu.