Перенос обучения
Перенос обучения или трансферное (переносное) обучение (англ. transfer learning) — один из индуктивных методов машинного обучения нейронных сетей, суть которого заключается в тренировке сети на одном наборе данных, а применении уже обученной модели на совершенно другом. Такая схема позволяет не только ускорить обучение, но и улучшить результаты классификации или ожидаемого прогноза[1].
Краткая информация
В задачах, решаемых параллельно, перенос обучения позволяет нейронным сетям обмениваться друг с другом стратегией, которая может быть общей для всех подзадач. В дополнение к этому, с применением переноса обучения сам процесс тренировки каждой сети можно начинать не с нуля[2].
Функционал переноса обучения реализован в ряде программных пакетов и библиотек, таких как статистический пакет Tensorflow, библиотеки языка «Питон» Tlib[3], Adapt, библиотека языка C++ PyTorch C++ API[4] или тулбокс математического пакета Matlab Domain-Adaptation-Toolbox[5].
Примечания
- ↑ Девис, 2024, Transfer Learning и его роль в Few-Shot Learning.
- ↑ Грессер, Кенг, 2024, Метаобучение и многозадачное обучение.
- ↑ How to Effectively Use TLlib for Transfer Learning (англ.). fxis.ai (11 января 2011). Дата обращения: 24 октября 2024.
- ↑ Transfer Learning on Dogs vs Cats Dataset using Libtorch and OpenCV (англ.). Дата обращения: 24 октября 2024.
- ↑ A domain adaptation toolbox (англ.). www.mathworks.com. Дата обращения: 24 октября 2024.
Источники
- Девис, Джеймс. Обучение с малым количеством данных. — М. : «», 2024.
- Грессер, Лаура. Глубокое обучение с подкреплением: : теория и практика на языке Python / Лаура Грессер, Ван Лун Кенг. — М. : «», 2024. — 416 с.