网站内容与功能模块设计,典型十大优秀网络营销案例,wordpress手机端顶部导航,重庆seo排名优化费用迁移学习 目标 将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。 主要思想 从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。
概述
Target data#xff1a;和你的任务有直接关系的数据#xff0c;但数据量少#xff…迁移学习 目标 将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。 主要思想 从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。
概述
Target data和你的任务有直接关系的数据但数据量少Source data和你现在的任务没有直接关系的数据数据量多。
按照是否有标签分为四类
第一类迁移学习
target data和source data都是有标签可分为模型的微调(Fine-tuning)和多任务学习(Multitask Learning)。
预训练微调 Fine-tuning
微调加速收敛但是不一定对精度有提升 编码器提取特征 解码器分类 微调方法
初始模型权重不随机解码器随机初始
为保证泛化能力 较小学习率 训练时间不要太长
冻结层
底层学的是像素底层特征上层学的语义相关根据预训练模型情况冻结对应的层图片一般冻结前面几层声音则是冻结后面几层
多任务学习 Multitask Learning
同时关注两个域上的结果设任务A和任务B可以共用同一组输入特征它们前面几层是共用的但是在某个隐藏层会产生两个分支一条产生的是任务A的分支另一条是任务B的。 两个模型一起训练某几层特征可以共用例如多国语言翻译
第二类迁移学习
source data有标签target data无标签的情况
* 领域对抗性训练Domain Adversarial Training
和生成对抗网络相比域适应问题免去了生成样本的过程直接将目标域中的数据看作生成的样本。因此生成器的目的发生了变化不再是生成样本而是扮演了一个特征提取feature extractor的功能如何从源域和目标域中提取特征使得判别器无法区分提取的特征是来自源域还是目标
DANN 域对抗迁移网络 DANN结构主要包含3个部分
特征提取器 feature extractor - 图示绿色部分用来将数据映射到特定的特征空间使标签预测器能够分辨出来自源域数据的类别的同时域判别器无法区分数据来自哪个域。标签预测器 label predictor - 图示蓝色部分对来自源域的数据进行分类尽可能分出正确的标签。域判别器domain classifier- 图示红色部分对特征空间的数据进行分类尽可能分出数据来自哪个域。
零次学习Zero-shot Learning
零次学习(Zero-shot Learning)说的是source data和target data它们的任务都不相同。 语音识别一直都有训练数据(source data)和测试数据(target data)是不同任务的问题。 很有可能在测试数据中出现的词汇在训练数据中从来没有出现过。语音识别在处理这个问题的时候做法是找出比词汇更小的单位。通常语音识别都是拿音位(phoneme可以理解为音标)做为单位。
如果把词汇都转成音位在识别的时候只去识别音位然后再把音位转换为词汇的话就可以解决训练数据和测试数据不一样的问题。
第三类迁移学习
自我学习
自我学习(Self-taught learning)其实和半监督学习很像都是有少量的有标签数据和非常多的无标签数据。但是与半监督学习有个很大的不同是有标签数据可能和无标签数据是没有关系的。
第四类迁移学习
自学成簇
如果target data和source data都是无标签的话可以用Self-taught Clustering来做。 可以用无标签的source data可以学出一个较好的特征表示再用这个较好的特征表示用在聚类上就可以得到较好的结果。
