序言： 目前我們每一小節(jié)的內(nèi)容都講解得非常慢，因?yàn)檫@是人工智能研發(fā)中的最基礎(chǔ)知識。如果我們不能扎實(shí)掌握這些知識，將很難理解后續(xù)更復(fù)雜且實(shí)用的概念。因此，我們甚至采用一個概念一節(jié)的方式來編排內(nèi)容，區(qū)分得清清楚楚、明明白白，以便大家能夠非常明確地了解各知識點(diǎn)之間的關(guān)聯(lián)關(guān)系和界限。本節(jié)將講述一種在人工智能領(lǐng)域中被視為“泰斗絕學(xué)”的方法，幫助我們高效地完成模型訓(xùn)練——這項(xiàng)絕學(xué)就是“遷移學(xué)習(xí)”。

遷移學(xué)習(xí)

正如我們在本章中已經(jīng)看到的那樣，使用卷積操作來提取特征是識別圖像內(nèi)容的一個強(qiáng)大工具。生成的特征圖可以輸入到神經(jīng)網(wǎng)絡(luò)的密集層中，與標(biāo)簽匹配，從而更準(zhǔn)確地確定圖像的內(nèi)容。通過這種方法，結(jié)合一個簡單、易于訓(xùn)練的神經(jīng)網(wǎng)絡(luò)和一些圖像增強(qiáng)技術(shù)，我們構(gòu)建了一個模型，在非常小的數(shù)據(jù)集上訓(xùn)練時，能夠以80-90%的準(zhǔn)確率區(qū)分馬和人。

                                  圖 3-14. 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

但是我們可以通過一種叫做遷移學(xué)習(xí)的方法進(jìn)一步改進(jìn)我們的模型。遷移學(xué)習(xí)的理念很簡單：與其從零開始為我們的數(shù)據(jù)集學(xué)習(xí)一組濾波器，為什么不使用一個在更大數(shù)據(jù)集上學(xué)習(xí)到的濾波器集合呢？該數(shù)據(jù)集包含了比我們自己“從零開始構(gòu)建”所能負(fù)擔(dān)得起的更多特征。我們可以將這些濾波器放入我們的網(wǎng)絡(luò)中，然后使用這些預(yù)學(xué)習(xí)的濾波器訓(xùn)練一個適合我們數(shù)據(jù)的模型。例如，我們的馬或人數(shù)據(jù)集只有兩個類別，而我們可以使用一個已經(jīng)為一千個類別預(yù)訓(xùn)練過的現(xiàn)有模型，但到某個階段我們不得不舍棄部分已有的網(wǎng)絡(luò)結(jié)構(gòu)，添加適合兩分類的層來構(gòu)建分類器。

                                        圖 3-15. 通過遷移學(xué)習(xí)從另一個架構(gòu)中獲取層

當(dāng)我們考慮到，一旦這些層被訓(xùn)練好，它們實(shí)際上只是一些數(shù)字，表示濾波器的值、權(quán)重和偏置，配合一個已知的架構(gòu)（每層濾波器的數(shù)量、濾波器的大小等），那么重用它們的想法就非常直接了當(dāng)了。

讓我們看看代碼中的實(shí)現(xiàn)。這方面有很多預(yù)訓(xùn)練的模型可以使用。我們將使用來自谷歌的流行模型Inception的第3版，它在一個名為ImageNet的數(shù)據(jù)庫中用超過一百萬張圖片進(jìn)行了訓(xùn)練。該模型有幾十層，可以將圖像分類為一千個類別。一個包含預(yù)訓(xùn)練權(quán)重的已保存模型也已經(jīng)可以使用。要使用它，我們只需下載這些權(quán)重，創(chuàng)建一個Inception V3架構(gòu)的實(shí)例，然后將這些權(quán)重加載到這個架構(gòu)中，代碼如下：

                                圖 3-16. 使用遷移學(xué)習(xí)訓(xùn)練馬或人分類器

這里的結(jié)果比我們之前的模型要好得多，但你可以繼續(xù)進(jìn)行微調(diào)和改進(jìn)。你還可以試試這個模型在更大數(shù)據(jù)集上的表現(xiàn)，比如Kaggle上著名的貓狗大戰(zhàn)（Dogs vs. Cats）。這是一個非常多樣化的數(shù)據(jù)集，包含了25,000張貓和狗的圖片，很多圖片中的主體都有一定遮擋——比如被人抱著的情況下。

使用之前的同樣算法和模型設(shè)計(jì)，你可以在Colab上訓(xùn)練一個貓狗分類器，利用GPU每個周期大約3分鐘。訓(xùn)練20個周期，大約需要1小時。

在測試一些非常復(fù)雜的圖片時（如圖3-17所示），這個分類器全都判斷正確。我特意選擇了一張長著像貓耳朵的狗的圖片，還有一張背對著的狗的圖片。另外兩張貓的圖片也都是非典型的。

                                    圖 3-17. 成功分類的非典型貓狗圖片

右下角的那只貓，閉著眼睛、耳朵下垂、伸著舌頭舔爪子，把它加載到模型中時，得到了圖3-18中的結(jié)果。你可以看到，它給出了一個非常低的值（4.98 × 10???），這表明網(wǎng)絡(luò)幾乎可以確定它是一只貓！

                                    圖 3-18. 分類舔爪子的貓

你可以在作者的一個GitHub倉庫中找到馬或人分類器以及貓狗分類器的完整代碼。

本節(jié)我們介紹了使用“遷移學(xué)習(xí)”的方法來完成模型訓(xùn)練，省去了繁瑣的前期訓(xùn)練過程，通過遷移已有知識并結(jié)合少量數(shù)據(jù)進(jìn)行微調(diào)即可實(shí)現(xiàn)模型的適應(yīng)性。這種方法是通用的，適用于小型神經(jīng)網(wǎng)絡(luò)，同樣也適用于如2024年Facebook的開源大型語言模型Llama等知名大模型。在這些預(yù)訓(xùn)練模型的基礎(chǔ)上，遷移學(xué)習(xí)可以有效節(jié)省大量GPU資源的預(yù)訓(xùn)練成本。下一節(jié)我們要講解的也是人工智能模型訓(xùn)練中的很重要的技能“隨機(jī)失活”法。

• 《星球大戰(zhàn)：亡命之徒》steam有嗎
• 《星球大戰(zhàn)：亡命之徒》配置要求
• 《妖精的尾巴2》游戲豪華版內(nèi)容介紹
• 《樂高地平線大冒險》游戲類型介紹
• 《陰陽師》新區(qū)開啟 | 夜影詭譎，重重謎團(tuán)等待解密！